基于深度卷积神经网络的水稻田杂草识别研究

S511%TP183; [目的]利用深度卷积神经网络对水稻田杂草进行准确、高效、无损识别,得出最优的网络模型,为水稻田种植管理以及无人机变量喷施提供理论依据.[方法]以水稻田杂草为主要研究对象,利用CCD感光相机采集杂草图像样本,构建水稻田杂草数据集(PFMW).利用多种结构的深度卷积神经网络对PFMW数据集进行特征的自动提取,并进行建模与试验.[结果]在各深度模型对比试验中,VGG16模型取得了最高精度,其在鬼针草、鹅肠草、莲子草、千金子、鳢肠和澎蜞菊6种杂草中的F值分别为0.957、0.931、0.955、0.955、0.923和0.992,其平均F值为0.954.在所设置的深度模型优化器...

Full description

Saved in:
Bibliographic Details
Published in华南农业大学学报 Vol. 41; no. 6; pp. 75 - 81
Main Authors 彭文, 兰玉彬, 岳学军, 程子耀, 王林惠, 岑振钊, 卢杨, 洪金宝
Format Journal Article
LanguageChinese
Published 国家精准农业航空施药技术国际联合研究中心/华南农业大学 电子工程学院/人工智能学院,广东 广州 510642%湖南科技学院 电子与信息工程学院,湖南 永州 425199 01.11.2020
Subjects
稻田杂草
机器视觉
深度卷积神经网络
模型优化器
Online AccessGet full text
ISSN1001-411X
DOI10.7671/j.issn.1001-411X.202007029

Cover

More Information
Summary:S511%TP183; [目的]利用深度卷积神经网络对水稻田杂草进行准确、高效、无损识别,得出最优的网络模型,为水稻田种植管理以及无人机变量喷施提供理论依据.[方法]以水稻田杂草为主要研究对象,利用CCD感光相机采集杂草图像样本,构建水稻田杂草数据集(PFMW).利用多种结构的深度卷积神经网络对PFMW数据集进行特征的自动提取,并进行建模与试验.[结果]在各深度模型对比试验中,VGG16模型取得了最高精度,其在鬼针草、鹅肠草、莲子草、千金子、鳢肠和澎蜞菊6种杂草中的F值分别为0.957、0.931、0.955、0.955、0.923和0.992,其平均F值为0.954.在所设置的深度模型优化器试验中,VGG16-SGD模型取得了最高精度,其在上述6种杂草中的F值分别为0.987、0.974、0.965、0.967、0.989和0.982,其平均F值为0.977.在PFMW数据集的样本类别数量均衡试验中,无失衡杂草数据集训练出来的VGG16深度模型的准确率为0.900,而16.7％、33.3％和66.6％类别失衡的数据集训练的模型准确率分别为0.888、0.866和0.845.[结论]利用机器视觉能够准确识别水稻田杂草,这对于促进水稻田精细化耕作以及无人机变量喷施等方面具有重要意义,可以有效地协助农业种植过程中的杂草防治工作.
ISSN:1001-411X
DOI:10.7671/j.issn.1001-411X.202007029