基于“深度学习”识别模型的玉米农田监测应用系统设计与实现

• 作者: 余培 刘刚 吴慧 吴红军 戴学飞 行鸿彦 阎妍
• 来源期刊: 气象科技
• 学科: 农学
• 关键词: 玉米农田监测 生长阶段识别 卷积神经网络 深度局部关联
• 年，卷（期）: 2019,（4）
• 所属期刊栏目: 大气探测与信息技术
• 页码范围: 571-580
• 页数: 10页
• 分类号: S163
• 字数: 6541字
• 语种: 中文
• DOI: 10.19517/j.1671-6345.20180501

摘要

为了精准判断玉米所处生长阶段,远程实时监测玉米长势,分析生长阶段与田间环境要素间的关系,本文提出深度局部关联神经网络,克服了玉米生长阶段识别中存在的多模态和模糊性问题,在Oxford VGGNet (VisualGeometry Group Net)模型中添加一个新的监督层,即局部关联损失层,提高深层特征的判别能力.基于所提的玉米生长阶段图片识别新算法,拓展环境要素监测功能,设计一套基于深度学习的玉米农田监测系统.系统由玉米农田监测装置和云端服务器组成,监测装置采集玉米图像、气象要素和田间位置数据,通过4G无线发送给云端服务器,云端服务器利用深度局部关联神经网络识别生长阶段,显示结果并存入数据库中.仿真试验表明,深度局部关联神经网络平均识别准确率达到92.53％,较VGGNet的87.21％和LSTM的88.50％,准确率分别提高了5.32％和4.03％.实地测试结果表明,野外环境下系统准确率可达到91.43％,能够稳定地对农田玉米生长情况进行监测,具有重要的应用价值.