编辑推荐：
草坪杂草检测模型优化研究，比较YOLOv8与YOLO11在 Bermudagrass 管理条件下检测 smooth crabgrass 的性能，分析地面（DSLR）与无人机（UAV）成像方式及边界框/多边形标注方法的影响，发现地面成像结合边界框标注效果最优（F1 0.87，mAP 0.93），小型YOLO模型（v8n 2.2ms，YOLO11 2.6ms）适合实时管理。
光滑马唐（Digitaria ischaemum）是草坪系统中一种令人头疼的杂草，对草坪的功能性和美观性构成了重大挑战。除草剂是草坪除草最常用的方法；然而，不恰当地使用除草剂可能会导致生态和环境问题。计算机视觉和深度学习模型的进步为通过针对性的、特定地点的杂草控制（SSWC）来解决这些问题带来了很大的希望。然而，模型架构和超参数选择如何影响在不同田间条件和植物生长特征下的检测性能仍不甚明了。
本研究使用YOLOv8和YOLO11模型评估了修剪对百慕大草草坪中马唐检测的影响。图像是在不同的草坪管理和修剪条件下，使用数码单反相机（近距离）和基于无人机的平台（空中）收集的。此外，还比较了两种标注方法：边界框标注和多边形标注。模型性能通过精确度、召回率、F1分数、mAP@0.50和推理时间等指标进行评估。
在北达科他州的两个农业地点，我们在播种前和收获后期间共收集了286个土壤样本，以捕捉时空变化。实验室进行了化学分析以量化土壤中的氮（N）和磷（P）含量，并获取了可见光和近红外（VNIR）以及短波红外（SWIR）区域的相关高光谱数据。光谱数据根据实验室参考值进行了处理和分类。开发了一个卷积神经网络（CNN）模型用于营养预测，该模型结合了神经架构搜索（NAS）和超参数调整以优化性能。该框架使用了单传感器和融合多传感器数据集进行评估，并应用了光谱增强技术以提高模型的鲁棒性。
我们发现，刚修剪过的草坪对杂草检测的准确性没有显著影响，而处于中等再生阶段的草坪则对模型性能产生了负面影响。在标注方法方面，边界框标注在检测光滑马唐方面表现优于多边形标注，获得了较高的F1分数（0.87）和mAP@0.50值（0.93），表明简化的边界框标注对于这种应用来说是足够的。YOLO11s（0.806）、YOLOv8l（0.766）和YOLO11l（0.795）分别记录了最高的精确度、召回率和mAP值。此外，像YOLOv8n（2.2毫秒）和YOLO11（2.6毫秒）这样的小型模型具有更快的推理速度，非常适合实时检测和机器人杂草管理应用。此外，仅使用近距离图像训练的模型在性能上显著优于使用100%无人机图像和混合数据集的模型，获得了最高的F1分数（0.85）和mAP@0.50值（0.92）。无人机图像的较低检测准确性可能归因于较低的空间分辨率、背景复杂性和尺度变化。
总体而言，这项研究表明，马唐的检测性能受到成像方法、标注策略和修剪条件的强烈影响。研究结果表明，近距离成像和边界框标注更为有效，而较小的YOLO变体更适合实时应用。这些见解对于数据收集和模型选择至关重要，有助于提高草坪系统中SSWC的有效性。
光滑马唐（Digitaria ischaemum）是草坪系统中一种令人头疼的杂草，对草坪的功能性和美观性构成了重大挑战。除草剂是草坪除草最常用的方法；然而，不恰当地使用除草剂可能会导致生态和环境问题。计算机视觉和深度学习模型的进步为通过针对性的、特定地点的杂草控制（SSWC）来解决这些问题带来了很大的希望。然而，模型架构和超参数选择如何影响在不同田间条件和植物生长特征下的检测性能仍不甚明了。
本研究使用YOLOv8和YOLO11模型评估了修剪对百慕大草草坪中马唐检测的影响。图像是在不同的草坪管理和修剪条件下，使用数码单反相机（近距离）和基于无人机的平台（空中）收集的。此外，还比较了两种标注方法：边界框标注和多边形标注。模型性能通过精确度、召回率、F1分数、mAP@0.50和推理时间等指标进行评估。
在北达科他州的两个农业地点，我们在播种前和收获后期间共收集了286个土壤样本，以捕捉时空变化。实验室进行了化学分析以量化土壤中的氮（N）和磷（P）含量，并获取了可见光和近红外（VNIR）以及短波红外（SWIR）区域的相关高光谱数据。光谱数据根据实验室参考值进行了处理和分类。开发了一个卷积神经网络（CNN）模型用于营养预测，该模型结合了神经架构搜索（NAS）和超参数调整以优化性能。该框架使用了单传感器和融合多传感器数据集进行评估，并应用了光谱增强技术以提高模型的鲁棒性。
我们发现，刚修剪过的草坪对杂草检测的准确性没有显著影响，而处于中等再生阶段的草坪则对模型性能产生了负面影响。在标注方法方面，边界框标注在检测光滑马唐方面表现优于多边形标注，获得了较高的F1分数（0.87）和mAP@0.50值（0.93），表明简化的边界框标注对于这种应用来说是足够的。YOLO11s（0.806）、YOLOv8l（0.766）和YOLO11l（0.795）分别记录了最高的精确度、召回率和mAP值。此外，像YOLOv8n（2.2毫秒）和YOLO11（2.6毫秒）这样的小型模型具有更快的推理速度，非常适合实时检测和机器人杂草管理应用。此外，仅使用近距离图像训练的模型在性能上显著优于使用100%无人机图像和混合数据集的模型，获得了最高的F1分数（0.85）和mAP@0.50值（0.92）。无人机图像的较低检测准确性可能归因于较低的空间分辨率、背景复杂性和尺度变化。
总体而言，这项研究表明，马唐的检测性能受到成像方法、标注策略和修剪条件的强烈影响。研究结果表明，近距离成像和边界框标注更为有效，而较小的YOLO变体更适合实时应用。这些见解对于数据收集和模型选择至关重要，有助于提高草坪系统中SSWC的有效性。
生物通 版权所有
