Weed control between plastic covered, raised beds in Florida vegetable crops relies predominantly on herbicides. Broadcast applications of post-emergence herbicides are unnecessary due to the general patchy distribution of weed populations. Development of precision herbicide sprayers to apply herbicides where weeds occur would result in input reductions. The objective of the study was to test a state-of-the-art object detection convolutional neural network, You Only Look Once 3 (YOLOV3), to detect vegetation both indiscriminately (1-class network) and to detect and discriminate three classes of vegetation commonly found within Florida vegetable plasticulture row-middles (3-class network). Vegetation was discriminated into three categories: broadleaves, sedges and grasses. The 3-class network ( Fscore = 0.95) outperformed the 1-class network ( Fscore = 0.93) in overall vegetation detection. The increase in target variability when combining classes increased and potentially negated benefits from pooling classes into a single target (and increasing the available data per class). The 3-class network Fscores for grasses, sedges and broadleaves were 0.96, 0.96 and 0.93 respectively. Recall was the limiting factor for all classes. With consideration to how much of the plant was identified (broadleaves and grasses), the 3-class network ( Fscore = 0.93) outperformed the 1-class network ( Fscore = 0.79). The 1-class network struggled to detect grassy weed species ( recall = 0.59). Use of YOLOV3 as an object detector for discrimination of vegetation classes is a feasible option for incorporation into precision applicators.

中文翻译：

---

使用卷积神经网络进行蔬菜可塑性行中间的植被检测和判别

佛罗里达蔬菜作物的塑料覆盖、高架床之间的杂草控制主要依赖于除草剂。由于杂草种群的普遍分布不均，芽后除草剂的广播应用是不必要的。开发精确的除草剂喷雾器以在杂草发生的地方喷洒除草剂将导致投入减少。该研究的目的是测试最先进的对象检测卷积神经网络 You Only Look Once 3 (YOLOV3)，以不加选择地检测植被（1 类网络）并检测和区分三类佛罗里达植物可塑性行中常见的植被（3 级网络）。植被分为三类：阔叶、莎草和禾本科。3 类网络（Fscore = 0。95) 在整体植被检测方面优于 1 类网络 (Fscore = 0.93)。组合类时目标可变性的增加增加并可能抵消将类合并为单个目标（并增加每个类的可用数据）的好处。禾本科、莎草和阔叶的 3 级网络 Fscores 分别为 0.96、0.96 和 0.93。召回是所有课程的限制因素。考虑到有多少植物被识别（阔叶和草），3 类网络（Fscore = 0.93）优于 1 类网络（Fscore = 0.79）。1 级网络难以检测杂草种类（召回率 = 0.59）。使用 YOLOV3 作为物体检测器来区分植被类别是结合到精密涂抹器中的可行选择。93) 在整体植被检测中。组合类时目标可变性的增加增加并可能抵消将类合并为单个目标（并增加每个类的可用数据）的好处。禾本科、莎草和阔叶的 3 级网络 Fscores 分别为 0.96、0.96 和 0.93。召回是所有课程的限制因素。考虑到有多少植物被识别（阔叶和草），3 类网络（Fscore = 0.93）优于 1 类网络（Fscore = 0.79）。1 级网络难以检测杂草种类（召回率 = 0.59）。使用 YOLOV3 作为物体检测器来区分植被类别是结合到精密涂抹器中的可行选择。93) 在整体植被检测中。组合类时目标可变性的增加增加并可能抵消将类合并为单个目标（并增加每个类的可用数据）的好处。禾本科、莎草和阔叶的 3 级网络 Fscores 分别为 0.96、0.96 和 0.93。召回是所有课程的限制因素。考虑到有多少植物被识别（阔叶和草），3 类网络（Fscore = 0.93）优于 1 类网络（Fscore = 0.79）。1 级网络难以检测杂草种类（召回率 = 0.59）。使用 YOLOV3 作为物体检测器来区分植被类别是结合到精密涂抹器中的可行选择。组合类时目标可变性的增加增加并可能抵消将类合并为单个目标（并增加每个类的可用数据）的好处。禾本科、莎草和阔叶的 3 级网络 Fscores 分别为 0.96、0.96 和 0.93。召回是所有课程的限制因素。考虑到有多少植物被识别（阔叶和草），3 类网络（Fscore = 0.93）优于 1 类网络（Fscore = 0.79）。1 级网络难以检测杂草种类（召回率 = 0.59）。使用 YOLOV3 作为物体检测器来区分植被类别是结合到精密涂抹器中的可行选择。组合类时目标可变性的增加增加并可能抵消将类合并为单个目标（并增加每个类的可用数据）的好处。禾本科、莎草和阔叶的 3 级网络 Fscores 分别为 0.96、0.96 和 0.93。召回是所有课程的限制因素。考虑到有多少植物被识别（阔叶和草），3 类网络（Fscore = 0.93）优于 1 类网络（Fscore = 0.79）。1 级网络难以检测杂草种类（召回率 = 0.59）。使用 YOLOV3 作为物体检测器来区分植被类别是结合到精密涂抹器中的可行选择。禾本科、莎草和阔叶的 3 级网络 Fscores 分别为 0.96、0.96 和 0.93。召回是所有课程的限制因素。考虑到有多少植物被识别（阔叶和草），3 类网络（Fscore = 0.93）优于 1 类网络（Fscore = 0.79）。1 级网络难以检测杂草种类（召回率 = 0.59）。使用 YOLOV3 作为物体检测器来区分植被类别是结合到精密涂抹器中的可行选择。禾本科、莎草和阔叶的 3 级网络 Fscores 分别为 0.96、0.96 和 0.93。召回是所有课程的限制因素。考虑到有多少植物被识别（阔叶和草），3 类网络（Fscore = 0.93）优于 1 类网络（Fscore = 0.79）。1 级网络难以检测杂草种类（召回率 = 0.59）。使用 YOLOV3 作为物体检测器来区分植被类别是结合到精密涂抹器中的可行选择。1 级网络难以检测杂草种类（召回率 = 0.59）。使用 YOLOV3 作为物体检测器来区分植被类别是结合到精密涂抹器中的可行选择。1 级网络难以检测杂草种类（召回率 = 0.59）。使用 YOLOV3 作为物体检测器来区分植被类别是结合到精密涂抹器中的可行选择。