基于深度卷积神经网络的水稻田杂草识别研究

发布时间：2022-10-04 22:39

　　【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... 

【文章页数】：7 页

【参考文献】：
期刊论文
[1]基于多特征融合和深度置信网络的稻田苗期杂草识别[J]. 邓向武,齐龙,马旭,蒋郁,陈学深,刘海云,陈伟烽.  农业工程学报. 2018(14)
[2]空洞卷积结合全局池化的卷积神经网络识别作物幼苗与杂草[J]. 孙俊,何小飞,谭文军,武小红,沈继锋,陆虎.  农业工程学报. 2018(11)
[3]基于BP神经网络的田间杂草识别技术研究[J]. 杨会清,李明刚.  山东理工大学学报(自然科学版). 2014(02)
[4]影响我国杂草分布危害的性状统计分析[J]. 高平磊,郭水良,印丽萍,娄玉霞.  上海师范大学学报(自然科学版). 2010(06)
[5]叶片图像特征提取与识别技术的研究[J]. 王晓峰,黄德双,杜吉祥,张国军.  计算机工程与应用. 2006(03)

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

硕士论文
[1]基于改进LBP的复杂背景下作物病害叶片病斑分割方法研究[D]. 许新华.郑州大学 2018
[2]早期玉米苗与杂草的自动辨识算法研究[D]. 夏雨.哈尔滨工业大学 2017
[3]基于K-means特征学习的杂草识别研究[D]. 何俐珺.西北农林科技大学 2016
[4]长江中下游地区直播稻田杂草种子库及千金子（Leptochloa chinensis）防控技术研究[D]. 刘庆虎.南京农业大学 2016
[5]水稻在我国粮食安全中的战略地位分析[D]. 虞国平.中国农业科学院 2009
[6]基于图像处理的杂草种类识别技术研究[D]. 吴国瑞.西北农林科技大学 2009



本文编号：3685891