基于嵌入式深度神经网络的杂草识别模型

杂草的生存能力强，对环境要求低，分布广泛且随机，必将争夺农作物所需的水分和营养等生存条件，导致农作物的质量和产量有一定程度的降低。为解决以上问题，本文设计了一种基于嵌入式深度神经网络的杂草识别系统，使用嵌入式设备查看农田的杂草分布情况并检测出杂草的具体位置和种类，此时就可以有针对性地去除杂草，提高农作物质量和产量，节约劳动成本，同时保护生态环境。该系统选择YOLO系列算法进行模型训练，并通过模型转换获得合适的模型部署在嵌入式设备上进行目标检测。具体来讲，先筛选足够数量的杂草图像样本，经过手动标记获得对应标签文件，从而获得数据集；而后使用数据集模型训练，本文算法为YOLOv4、YOLOv4-tiny和YOLOx算法，得到PTH模型；PTH模型加载在PC端，PTH模型经模型转换生成TRT模型部署在嵌入式端Jetson Nano上。实验结果表明，采用F1值和mAP值进行模型准确度评估时，YOLOx最高，准确度为80.48%以上；采用计数准确度对目标检测正确率进行评估时，该指标下三个算法均在94%以上；采用单张处理时间进行速度评估时，YOLOv4-tiny作为轻量化网络仅需0.0068 s，嵌入式端仅需0.0453 s，相当于实时检测。

深度神经网络是深度学习中的关键技术，在机器学习、语音识别、文本分析、自然语言处理、等领域应用广泛[1] [2] [3]，有些训练后智能机器的认知水平已经出现突破人类水平[4]。如今，我国的农业正不断向着更精准、更节约、更规模化的方向发展，对于具有自动化属性的智能农业设备的需求量也在不断升高[5]，深度学习和机器视觉在农业自动化方面取得了巨大的成就。例如，Chen 等人通过结合了立体视觉和同步定位与建图系统获得了一张果园的详细3D 图。其中的轮廓信息提取并匹配后，会通过变换得到进一步候选答案，使用分类器进行训练，这一实验对很多类型的水果有较好的效果[6]；Gao 基于YOLOv3-tiny 网络对甜菜田杂草进行研究以便于提高检测速度[7] ；Liu 等人提出了一种基于MobileNetv2-YOLOv3 模型的番茄叶斑辨认措施[8]，平衡番茄灰斑的准确度和速度；Mazzia 使用两台设备进行基准测试，以便于果园中苹果的实时监测和产量评估[9]。

庞大的深度神经网络所需环境不适合于生活场景， 如何提升目标检测、图形分割等技术的性能指标， 如何安全简易地部署在生活化设备中[10]，将是研究的必然方向。例如，Peng K 等人于2019 年利用深度卷积神经网络对模拟电路进行故障排查及诊断[11]， 提高其在实际应用场景中的性能， 不断升级算法模型， 使其在终端设备上的应用将更加广泛且精密，具备良好前景以及经济效益。

目前已有大量深度神经网络及其在边缘设备、边缘计算的农业应用，但关于如何在保证精确度的前提下提高效率的研究仍不理想。

我国杂草众多且分布广泛， 其会汲取农作物所需水分和营养等生存条件，