多尺度特征融合的柑橘冠层施药沉积量分类模型
发布时间：2022-01-23 00:08
针对传统农作物冠层施药沉积量分类模型分类准确率低、网络模型参数量大且运算速度慢的问题,该研究提出一种改进的SPP-Net-Inception-v4模型。该模型通过构建稀疏网络结构平衡各个模型子网间的计算量,利用3个Inception模块生成施药沉积量在柑橘冠层热红外图像的稠密有效特征数据;在模型的卷积层与全连接层间创新性接入空间金字塔池化网络（Spatial Pyramid Pooling Network, SPP-Net）,进行一次历遍提取热红外图像特征信息,再通过空间池化操作融合3种池化方式提取的多尺度特征,实现柑橘冠层热红外图像施药沉积量表现特征的提取与融合。搭建多环境因素自主控制试验环境,模拟无人机低空采集柑橘冠层热红外图像,应用3个分类模型进行对比试验,试验结果表明,SPP-Net-Inception-v4模型与Inception-v4和ResNet-152两种模型相比,准确率分别提高1.58%和3.26%,模型训练完成冻结后占用计算机存储空间大小分别降低13%和24%,表明SPP-Net-Inception-v4模型在降低模型规模的基础上,提高了柑橘树冠层施药沉积量分类的准...
【文章来源】：农业工程学报. 2020,36(23)北大核心EICSCD
【文章页数】：7 页
【部分图文】：
3种模型的损失函数曲线
利用保存的最优SPP-Net-Inception-v4模型进行验证集分类预测结果统计（表3）。试验结果表明，SPP-Net-Inception-v4模型基于多尺度特征融合的网络设计，准确预测了大部分验证集数据的施药情况，模型的最优收敛准确率为95.07%，比Inception-v4模型提高1.58%，比Res Net-152提高3.26%。验证集的分类预测结果显示，预测正确的已施药和未施药冠层热红外图像（图5a和图5b），预测错误的已施药和未施药冠层热红外图像（图5c和图5d）。通过综合对比分析可知，预测正确与预测错误的柑橘冠层图像均有局部特征不同程度相近的特点，说明模型特征拟合表达还有进一步提升的空间，另一方面也说明原始图像与特征图之间存在多尺度感受野大小未能完全匹配模型网络宽度与深度变化的可能。3 结论
数据采集试验于2019年3-6月在广东省华南农业大学工程学院柑橘实验基地进行。为模拟本试验所需的各项无人机作业条件，设计了柑橘冠层施药沉积量标定试验平台开展研究（图1a）。该平台主要由Vue Pro R 640红外热像仪（菲力尔，美国）、加热器、加湿器、人造光源、温湿度计、照度计、可升降不锈钢固定架、密封塑料薄膜组成[13-14]。试验平台由密封塑料薄膜进行封闭，通过加热器、加湿器、人造光源设置不同的环境参数[15]，具体数值由温湿度计和照度计测量；红外热像仪固定在可升降不锈钢固定架上，对柑橘树进行不同高度的图像数据采集；果树冠层施药沉积量利用雾滴测试纸进行标定，雾滴测试纸尺寸为40 mm×92.5 mm，均匀固定在柑橘树叶片上（图1b）。雾滴测试纸干燥区域呈黄色，遇水区域呈绿色，依此进行柑橘冠层施药沉积量统计计算（图1c）。1.1.2 数据采集试验步骤
【参考文献】：
期刊论文
[1]计算机图像处理技术在农业项目中的应用探析[J]. 朱荣. 电子元器件与信息技术. 2020(02)
[2]基于改进Inception V4的面部表情识别算法的研究[J]. 张景异,梁宸,吴攀,陈亮,刘韵婷. 光电技术应用. 2020(01)
[3]基于AlexNet模型的AD分类[J]. 张柏雯,林岚,吴水才. 北京工业大学学报. 2020(01)
[4]基于迁移学习和AlexNet的驾驶员行为状态识别方法[J]. 戎辉,华一丁,张小俊,龚进峰,唐风敏,郭蓬,何佳. 科学技术与工程. 2019(28)
[5]基于深度学习的图像识别技术研究综述[J]. 张琦,张荣梅,陈彬. 河北省科学院学报. 2019(03)
[6]基于多尺度双线性卷积神经网络的多角度下车型精细识别[J]. 刘虎,周野,袁家斌. 计算机应用. 2019(08)
[7]中国植保无人机发展形势及问题分析[J]. 兰玉彬,陈盛德,邓继忠,周志艳,欧阳帆. 华南农业大学学报. 2019(05)
[8]覆盖度对无人机热红外遥感反演玉米土壤含水率的影响[J]. 张智韬,许崇豪,谭丞轩,边江,韩文霆. 农业机械学报. 2019(08)
[9]基于深度学习的图像识别研究[J]. 张曰花,王红,马广明. 现代信息科技. 2019(11)
[10]雾滴沉积特性参数的图像检测算法改进[J]. 郭娜,刘思瑶,须晖,田素博,李天来. 农业工程学报. 2018(17)
硕士论文
[1]基于深度学习级联技术的隧道裂缝识别与分析算法研究[D]. 杨敏.北京邮电大学 2019
[2]基于深度学习的实时目标检测[D]. 熊恒昌.湖南大学 2018
[3]基于循环神经网络的自闭症谱系障碍预测框架[D]. 柳毅恒.北京邮电大学 2018
本文编号：3603181
【文章来源】：农业工程学报. 2020,36(23)北大核心EICSCD
【文章页数】：7 页
【部分图文】：
3种模型的损失函数曲线
利用保存的最优SPP-Net-Inception-v4模型进行验证集分类预测结果统计（表3）。试验结果表明，SPP-Net-Inception-v4模型基于多尺度特征融合的网络设计，准确预测了大部分验证集数据的施药情况，模型的最优收敛准确率为95.07%，比Inception-v4模型提高1.58%，比Res Net-152提高3.26%。验证集的分类预测结果显示，预测正确的已施药和未施药冠层热红外图像（图5a和图5b），预测错误的已施药和未施药冠层热红外图像（图5c和图5d）。通过综合对比分析可知，预测正确与预测错误的柑橘冠层图像均有局部特征不同程度相近的特点，说明模型特征拟合表达还有进一步提升的空间，另一方面也说明原始图像与特征图之间存在多尺度感受野大小未能完全匹配模型网络宽度与深度变化的可能。3 结论
数据采集试验于2019年3-6月在广东省华南农业大学工程学院柑橘实验基地进行。为模拟本试验所需的各项无人机作业条件，设计了柑橘冠层施药沉积量标定试验平台开展研究（图1a）。该平台主要由Vue Pro R 640红外热像仪（菲力尔，美国）、加热器、加湿器、人造光源、温湿度计、照度计、可升降不锈钢固定架、密封塑料薄膜组成[13-14]。试验平台由密封塑料薄膜进行封闭，通过加热器、加湿器、人造光源设置不同的环境参数[15]，具体数值由温湿度计和照度计测量；红外热像仪固定在可升降不锈钢固定架上，对柑橘树进行不同高度的图像数据采集；果树冠层施药沉积量利用雾滴测试纸进行标定，雾滴测试纸尺寸为40 mm×92.5 mm，均匀固定在柑橘树叶片上（图1b）。雾滴测试纸干燥区域呈黄色，遇水区域呈绿色，依此进行柑橘冠层施药沉积量统计计算（图1c）。1.1.2 数据采集试验步骤
【参考文献】：
期刊论文
[1]计算机图像处理技术在农业项目中的应用探析[J]. 朱荣. 电子元器件与信息技术. 2020(02)
[2]基于改进Inception V4的面部表情识别算法的研究[J]. 张景异,梁宸,吴攀,陈亮,刘韵婷. 光电技术应用. 2020(01)
[3]基于AlexNet模型的AD分类[J]. 张柏雯,林岚,吴水才. 北京工业大学学报. 2020(01)
[4]基于迁移学习和AlexNet的驾驶员行为状态识别方法[J]. 戎辉,华一丁,张小俊,龚进峰,唐风敏,郭蓬,何佳. 科学技术与工程. 2019(28)
[5]基于深度学习的图像识别技术研究综述[J]. 张琦,张荣梅,陈彬. 河北省科学院学报. 2019(03)
[6]基于多尺度双线性卷积神经网络的多角度下车型精细识别[J]. 刘虎,周野,袁家斌. 计算机应用. 2019(08)
[7]中国植保无人机发展形势及问题分析[J]. 兰玉彬,陈盛德,邓继忠,周志艳,欧阳帆. 华南农业大学学报. 2019(05)
[8]覆盖度对无人机热红外遥感反演玉米土壤含水率的影响[J]. 张智韬,许崇豪,谭丞轩,边江,韩文霆. 农业机械学报. 2019(08)
[9]基于深度学习的图像识别研究[J]. 张曰花,王红,马广明. 现代信息科技. 2019(11)
[10]雾滴沉积特性参数的图像检测算法改进[J]. 郭娜,刘思瑶,须晖,田素博,李天来. 农业工程学报. 2018(17)
硕士论文
[1]基于深度学习级联技术的隧道裂缝识别与分析算法研究[D]. 杨敏.北京邮电大学 2019
[2]基于深度学习的实时目标检测[D]. 熊恒昌.湖南大学 2018
[3]基于循环神经网络的自闭症谱系障碍预测框架[D]. 柳毅恒.北京邮电大学 2018
本文编号：3603181
本文链接：https://www.wllwen.com/wenshubaike/kaixinbaike/3603181.html
