个人卖家：
科技与几何感
创建于：2025-08-25
基于 YOLOX 的稻田秧苗期杂草目标检测算法
￥199.00
| 使用环境 |
在稻田环境中，使用手持相机或无人机搭载相机在自然光照条件下采集稻田图像，相机镜头距离杂草 60 - 80cm，镜头垂直于稻田水面拍摄，图像分辨率 640×480 像素，输入网络图像尺寸调整为 500×500 像素。 |
| 使用对象 |
稻田中的杂草，特别是入侵性强、对水稻生长影响较大的 Alternanthera philoxeroides（苋草）。 |
| 使用目的 |
在稻田秧苗期快速、高效地检测杂草的分布位置，为实现从大面积喷洒农药到精准喷洒的转变提供技术支持，减少农药浪费和环境污染，提高农业生产的智能化水平。 |
| 输入数据 |
稻田图像帧 |
| 输出数据 |
杂草的类别（ Alternanthera philoxeroides）、杂草位置坐标、杂草分布区域信息 |
| 硬件配置 |
CPU：I5 7 代 4 核处理器
GPU：NVIDIA GeForce GTX 1080Ti
内存：12GB
摄像头：Canon SLR 数码相机（IXUS 1000HS，EF S 36 360mm f/3.4 5.6IS STM） |
| 样本获取 |
使用手持相机在稻田中采集图像，共 358 张图像，图像大小为 640×480 像素，网络输入图像尺寸调整为 500×500 像素。将图像随机分为训练样本、验证样本和测试样本，其中 80% 为训练样本，20% 为测试样本，训练样本中的 20% 作为验证样本。 |
| 测试结果 |
在测试集上，YOLOX tiny 模型的 mAP 为 0.980，F1 值为 0.95，召回率为 0.983。 |
| 执行速度 |
34.6 帧 / 秒。 |
| 资源消耗 |
针对上述硬件配置，运行算法时，CPU 平均占用率约为 30% 40%，GPU 平均占用率约为 60% 70%，内存使用占比约 30% 40%，模型计算过程中产生的中间变量内存为 259.62MB。 |
| 源码类型 |
Python 版本源码 |
| 文件大小 |
算法程序文件 32KB，权重文件 259.62MB。 |
| 相关备注 |
本算法基于 YOLOX 框架，针对稻田秧苗期杂草目标检测进行了优化，能够有效解决小目标杂草检测的难题，如杂草遮挡、密集分布等情况，在保证检测精度的同时，模型计算资源消耗低，适合部署在智能农业设备上，具有较高的实用性和农业应用价值。 |
