Sqrt-error-weighted grade model for weakly supervised weed segmentation of UAV imagery
提出平方根误差加权分级模型，用弱监督方式分割无人机影像中的杂草。
阅读 0
关键词 · 相关资讯与研究
#杂草分割
沿着“杂草分割”继续探索，共 0 条内容。
你可能还想看
没有这个标签，内容接近Comparative evaluation of classical machine learning and deep learning models for early weed detection in precision agriculture
对比经典机器学习与深度学习模型在精准农业早期杂草检测中的性能。
阅读 3
Compressing Semantic Segmentation Models for Agricultural IoT: A Systematic Study of Pruning Trade-Offs for Crop–Weed Segmentation
系统评估六种语义分割模型在农业IoT上的压缩精度-效率权衡，重点分析剪枝策略。
阅读 1
Species identification of crops and weeds in wheat fields using hyperspectral data and machine learning algorithms
利用高光谱数据与随机森林识别哈萨克斯坦东北部麦田作物与杂草，并分析误判的生物学原因。
阅读 2
A data-centric multi-modal ai framework for weed detection and classification in smart agriculture
A data-centric multi-modal ai framework for weed detection and classification in smart agriculture。Discover Applied Sciences
阅读 0
Local-to-Global Shape-Consistent Learning for Boundary-Reliable Agricultural Object Extraction from High-Resolution Remote Sensing Imagery
提出ADLSC框架，从高分辨率遥感影像中提取边界可靠的农业对象。
阅读 1
Boundary-Aware and Structure-Guided semantic segmentation of green orchard fruits with hierarchical Coarse-to-Fine refinement
提出边界感知与结构引导的由粗到细语义分割方法，用于绿色果园果实分割。
阅读 0
轻量化GSP-YOLO实时杂草识别模型——激光除草场景97.74%精确率、41 FPS推理速度
南京市农业机械化研究所刘赛赛等在Smart Agricultural Technology发表GSP-YOLO模型——基于YOLOv8s的轻量化杂草实时检测系统。该模型将YOLOv8s标准骨干替换为GhostNetV3,并集成空间-通道注意力模块(SCSA),提升对小型、形态相似杂草幼苗的识别能力。在NIAM9weeds数据集上达97.74%精确率,优于YOLOv5n和YOLOv10s等轻量化模型,模型大小减少近30%,计算需求减少超过30%。在边缘设备上通过TensorRT加速,处理速度41 FPS,可支持以步行速度移动的激光除草机器人。温室试验中,系统在0.72 km/h速度下达93.4%杂草识别准确率,平均275毫秒/株完成除草,作物损伤率低于3.4%。
阅读 3