Weed Detection and Localization in Soybean Crops Using YOLOv4 Deep Learning Model
Notice bibliographique
Résumé
In precision agriculture, detection of weed is vital to control or remove it, as the weeds will impact the crop's yield.Also accurately distinguishing weeds and crop and their localization is important, to reduce the herbicides and pesticides usage.Deep learning techniques are effective for classification and detection of these.You Only Look Once v4 (YOLOv4) deep learning architecture is very widely used for object detection and localization of objects in an image.In this work, YOLOv4 is used for detection and localization of weeds in soybean fields.The experiments are done on publicly available soybean and weed dataset containing soybean, grass, broadleaf and soil images, each group having 1000 images.YOLOv4 architecture yielded an accuracy of 98.42%, recall of 93.13% and mAP of 81.24%, better than the performance of R-CNN and SSD networks.Additionally, different pre-trained networks viz., Darknet19, Mobilenetv2, VGG19, Resnet18, Inceptionv3 and Densenet201 are also investigated for classification of weed/crop which yielded an accuracy of 98.75%, 98.9%, 99.25%, 99.25%, 99.42%, 99.58% and 99.67% respectively.For preprocessing of images CLAHE algorithm is used.From different models investigated, it is observed that YOLOv4 is efficient for both classification and detection along with localization.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».