基于低空遥感的杂草识别及定位方法研究
发布时间：2022-01-25 03:15
农田杂草是影响农作物生长的主要因素之一,农田杂草检测与分布密度制图对于实现农田杂草的精准防治有着十分重要的意义。为实现农田大面积喷药向精准喷药的转变,需要快速高效地检测农田中杂草的分布位置、种类和密度情况。无人机的高机动性和灵活性结合深度学习算法成为农田杂草分布密度检测的一种新兴手段。本文基于大疆无人机平台和Android移动设备设计开发了一套面向农田杂草识别与分布密度制图系统。该系统基于深度学习模型实现农田杂草种类识别,并通过图像坐标系与世界坐标系的转换确定杂草的空间位置,最后通过Android移动设备对无人机飞行控制、无人机飞行信息显示、图像数据显示和生成杂草分布密度图等方法进行集成测试。论文的主要研究工作和成果如下:（1）基于优化YOLOv3-Tiny杂草目标检测算法研究。通过对比Faster R-CNN、YOLO、SSD等目标检测算法对杂草目标检测的优缺点,以YOLOv3-Tiny为基础网络,使用残差连接的方式用残差块代替YOLOv3-Tiny的主干网络。训练禾本科和阔叶类两类杂草得到杂草目标检测模型,选择m AP最高的模型以F-Measure为评价标准,评价其准确率、召回率、...
【文章来源】：西北农林科技大学陕西省 211工程院校 985工程院校 教育部直属院校
【文章页数】：72 页
【学位级别】：硕士
【部分图文】：
大疆无人机Fig.2-1DJIUAV
缃峁垢丛?度、计算量和在移动设备上的运行效率，选择模型复杂度低、运算速度快、准确率高的目标检测算法在移动端部署。2.1杂草检测试验设计与数据预处理2.1.1数据采集无人机平台的选择对数据采集和后续杂草识别及定位至关重要，无人机需支持二次开发实现图像传输、飞行控制等。市场上的品牌无人机和组装无人机多种多样，比如深圳市大疆创新科技有限公司生产的大疆无人机，派诺特有限公司生产的Parrot无人机，深圳一电科技有限公司生产的AEE无人机，以及多种基于开源飞控的组装机。表2-1为大疆无人机（图2-1）和Parrot（图2-2）无人机开发对比，大疆无人机面向开发者提供了二次开发接口。在同系列的无人机之间较容易的实现功能迁移，同时大疆无人机搭载了高清相机和多种传感器。符合本系统开发的要求。本文以大疆无人机为平台进行开发。表2-2为大疆无人机部分参数。图2-1大疆无人机Fig.2-1DJIUAV图2-2派诺特无人机Fig.2-2ParrotUAV根据无人机功能性需求分析，在大疆无人机和Android移动端的基础上进行无人机飞行控制、杂草位置检测功能和杂草位置定位等功能等进行二次开发。实现面向农
西北农林科技大学硕士学位论文14集用于训练模型，生成权重值；验证集在训练过程中验证权重，调节模型的权重；测试集测试训练的模型准确率、召回率、检测速度等。图2-4标注图像Fig.2-4Annotateimage表2-4杂草目标检测算法比较Table2-4Comparisonofweedtargetdetectionalgorithms杂草检测算法类型迭代次数基于区域建议的杂草检测网络FasterR-CNN100000基于回归的杂草检测网络SSD100000YOLO1000002.2杂草目标检测算法比较2.2.1目标检测的深度学习典型网络（1）基于区域建议的目标检测算法（a）R-CNN算法，R-CNN（Girshicketal.2013）是首个将深度学习应用到目标检测上的算法，是基于选择性搜索、卷积神经网络和支持向量机实现的目标检测算法。R-CNN首先使用选择性搜索算法在输入图像上根据边缘信息、颜色信息、边缘纹理等可能存在的目标提取1k-2k个候选区域。再利用深度卷积网络对候选区域进行深层次特征提取，然后训练SVM分类器对提取的深度特征进行分类，最后对边界框使用回归算法重新标定，算法流程如图2-5（a）所示。（b）FastR-CNN，为了改进R-CNN算法训练、测试时间长、训练所需空间大的缺点，Ross（2015）提出了FastR-CNN算法，FastR-CNN是在SPPNet即空间金字塔池化卷积网络上进行了改进（Heetal.2015）。SPPnet将卷积网络输入图像的固定尺寸改为任意尺寸。在普通的卷积神经网络中，输入的图像尺寸往往是固定的，这需要在向卷积网络输入检测图像之前，需要先进行一系列的变化，对图像进行缩放或者裁剪等，图像经过缩放或者裁剪后，会丢失一部分特征，导致识别精度降低。SPPnet在普通的卷积网络中添加了感兴趣区域池化层，感兴趣区域池化层的添加，使得输入卷积网络的图像可以是任意大小，输出是一个维数固定的向量。SPPnet算法?
【参考文献】：
期刊论文
[1]郧西县小麦田间杂草种类调查与防控措施[J]. 寇章贵,裴立志,李典军,刘保琴,徐晓斌. 湖北植保. 2019(05)
[2]小麦阔叶杂草除草剂防效对比试验[J]. 苏娟娟,景东林. 农业科技通讯. 2019(02)
[3]通用处方农作嵌入式GIS信息处理系统的研制[J]. 刘子文,刘青山. 农业装备技术. 2019(01)
[4]变量喷药技术的应用现状与发展[J]. 牛丛,徐丽明,马帅,于畅畅,袁全春,段壮壮,邢洁洁,陈晨. 农业装备与车辆工程. 2018(12)
[5]基于嵌入式的农业无人机航点规划算法研究[J]. 洪向共,张心驰. 农机化研究. 2019(08)
[6]基于Android系统的App界面设计[J]. 曲萍. 科技创新与应用. 2018(22)
[7]一种基于深度学习的禁飞区无人机目标识别方法[J]. 虞晓霞,刘智,耿振野,陈思锐. 长春理工大学学报(自然科学版). 2018(03)
[8]Android系统架构及关键移植技术研究的初步探讨[J]. 陈露军. 福建电脑. 2018(05)
[9]基于卷积神经网络提取多尺度分层特征识别玉米杂草[J]. 王璨,武新慧,李志伟. 农业工程学报. 2018(05)
[10]基于深度学习的大棚及地膜农田无人机航拍监测方法[J]. 孙钰,韩京冶,陈志泊,史明昌,付红萍,杨猛. 农业机械学报. 2018(02)
博士论文
[1]基于数字图像处理的玉米苗期田间杂草的识别研究[D]. 吴兰兰.华中农业大学 2010
[2]基于机器视觉的作物对行喷药控制系统研究[D]. 饶洪辉.南京农业大学 2006
硕士论文
[1]变量喷药控制系统的研究与实现[D]. 包佳林.吉林农业大学 2017
[2]利用颜色和形状特征的杂草识别方法研究[D]. 谈蓉蓉.江苏大学 2009
本文编号：3607799
【文章来源】：西北农林科技大学陕西省 211工程院校 985工程院校 教育部直属院校
【文章页数】：72 页
【学位级别】：硕士
【部分图文】：
大疆无人机Fig.2-1DJIUAV
缃峁垢丛?度、计算量和在移动设备上的运行效率，选择模型复杂度低、运算速度快、准确率高的目标检测算法在移动端部署。2.1杂草检测试验设计与数据预处理2.1.1数据采集无人机平台的选择对数据采集和后续杂草识别及定位至关重要，无人机需支持二次开发实现图像传输、飞行控制等。市场上的品牌无人机和组装无人机多种多样，比如深圳市大疆创新科技有限公司生产的大疆无人机，派诺特有限公司生产的Parrot无人机，深圳一电科技有限公司生产的AEE无人机，以及多种基于开源飞控的组装机。表2-1为大疆无人机（图2-1）和Parrot（图2-2）无人机开发对比，大疆无人机面向开发者提供了二次开发接口。在同系列的无人机之间较容易的实现功能迁移，同时大疆无人机搭载了高清相机和多种传感器。符合本系统开发的要求。本文以大疆无人机为平台进行开发。表2-2为大疆无人机部分参数。图2-1大疆无人机Fig.2-1DJIUAV图2-2派诺特无人机Fig.2-2ParrotUAV根据无人机功能性需求分析，在大疆无人机和Android移动端的基础上进行无人机飞行控制、杂草位置检测功能和杂草位置定位等功能等进行二次开发。实现面向农
西北农林科技大学硕士学位论文14集用于训练模型，生成权重值；验证集在训练过程中验证权重，调节模型的权重；测试集测试训练的模型准确率、召回率、检测速度等。图2-4标注图像Fig.2-4Annotateimage表2-4杂草目标检测算法比较Table2-4Comparisonofweedtargetdetectionalgorithms杂草检测算法类型迭代次数基于区域建议的杂草检测网络FasterR-CNN100000基于回归的杂草检测网络SSD100000YOLO1000002.2杂草目标检测算法比较2.2.1目标检测的深度学习典型网络（1）基于区域建议的目标检测算法（a）R-CNN算法，R-CNN（Girshicketal.2013）是首个将深度学习应用到目标检测上的算法，是基于选择性搜索、卷积神经网络和支持向量机实现的目标检测算法。R-CNN首先使用选择性搜索算法在输入图像上根据边缘信息、颜色信息、边缘纹理等可能存在的目标提取1k-2k个候选区域。再利用深度卷积网络对候选区域进行深层次特征提取，然后训练SVM分类器对提取的深度特征进行分类，最后对边界框使用回归算法重新标定，算法流程如图2-5（a）所示。（b）FastR-CNN，为了改进R-CNN算法训练、测试时间长、训练所需空间大的缺点，Ross（2015）提出了FastR-CNN算法，FastR-CNN是在SPPNet即空间金字塔池化卷积网络上进行了改进（Heetal.2015）。SPPnet将卷积网络输入图像的固定尺寸改为任意尺寸。在普通的卷积神经网络中，输入的图像尺寸往往是固定的，这需要在向卷积网络输入检测图像之前，需要先进行一系列的变化，对图像进行缩放或者裁剪等，图像经过缩放或者裁剪后，会丢失一部分特征，导致识别精度降低。SPPnet在普通的卷积网络中添加了感兴趣区域池化层，感兴趣区域池化层的添加，使得输入卷积网络的图像可以是任意大小，输出是一个维数固定的向量。SPPnet算法?
【参考文献】：
期刊论文
[1]郧西县小麦田间杂草种类调查与防控措施[J]. 寇章贵,裴立志,李典军,刘保琴,徐晓斌. 湖北植保. 2019(05)
[2]小麦阔叶杂草除草剂防效对比试验[J]. 苏娟娟,景东林. 农业科技通讯. 2019(02)
[3]通用处方农作嵌入式GIS信息处理系统的研制[J]. 刘子文,刘青山. 农业装备技术. 2019(01)
[4]变量喷药技术的应用现状与发展[J]. 牛丛,徐丽明,马帅,于畅畅,袁全春,段壮壮,邢洁洁,陈晨. 农业装备与车辆工程. 2018(12)
[5]基于嵌入式的农业无人机航点规划算法研究[J]. 洪向共,张心驰. 农机化研究. 2019(08)
[6]基于Android系统的App界面设计[J]. 曲萍. 科技创新与应用. 2018(22)
[7]一种基于深度学习的禁飞区无人机目标识别方法[J]. 虞晓霞,刘智,耿振野,陈思锐. 长春理工大学学报(自然科学版). 2018(03)
[8]Android系统架构及关键移植技术研究的初步探讨[J]. 陈露军. 福建电脑. 2018(05)
[9]基于卷积神经网络提取多尺度分层特征识别玉米杂草[J]. 王璨,武新慧,李志伟. 农业工程学报. 2018(05)
[10]基于深度学习的大棚及地膜农田无人机航拍监测方法[J]. 孙钰,韩京冶,陈志泊,史明昌,付红萍,杨猛. 农业机械学报. 2018(02)
博士论文
[1]基于数字图像处理的玉米苗期田间杂草的识别研究[D]. 吴兰兰.华中农业大学 2010
[2]基于机器视觉的作物对行喷药控制系统研究[D]. 饶洪辉.南京农业大学 2006
硕士论文
[1]变量喷药控制系统的研究与实现[D]. 包佳林.吉林农业大学 2017
[2]利用颜色和形状特征的杂草识别方法研究[D]. 谈蓉蓉.江苏大学 2009
本文编号：3607799
本文链接：https://www.wllwen.com/guanlilunwen/gongchengguanli/3607799.html
