融合FPN的Faster R-CNN复杂背景下棉田杂草高效识别方法

• 作者: 夏俊芳 彭明霞 彭辉
• 来源期刊: 农业工程学报
• 学科: 工学
• 关键词: 棉花 卷积神经网络 机器视觉 深度学习 图像识别 杂草识别 Faster R-CNN
• 年，卷（期）: 2019,（20）
• 所属期刊栏目: 农业信息与电气技术
• 页码范围: 202-209
• 页数: 8页
• 分类号: TP274|TP391.41
• 字数: 7366字
• 语种: 中文
• DOI: 10.11975/j.issn.1002-6819.2019.20.025

摘要

为实现田间条件下快速、准确识别棉花与杂草,该文以自然光照下田间棉花与杂草为研究对象,采用垂直向下拍摄的方式获取棉花杂草视频,按1帧/s的速率从视频中提取图像,在人工去除冗余度过多的图片后,建立1 000幅图片的数据集.对比了Faster R-CNN和YOLOv3 2种典型卷积神经网络,将Faster R-CNN卷积神经网络的深度学习模型引入到棉花杂草图像识别中,并提出一种结构优化的方法,使之适用于复杂背景下的棉田杂草识别.该文选用残差卷积网络提取图像特征,Max-pooling 为下采样方法,RPN 网络中引入特征金字塔网络生成目标候选框,对卷积神经网络结构进行优化.在使用700幅图片进行训练后,通过200 幅田间棉花杂草图像识别测试,结果表明:该方法的平均目标识别准确率达95.5%,识别单幅图像的平均耗时为1.51 s,采用GPU 硬件加速后识别单幅图像的平均耗时缩短为0.09 s.优化后的Faster R-CNN卷积神经网络相对于YOLOv3平均正确率MAP高0.3以上.特别是对于小目标对象,其平均正确率之差接近0.6.所提方法对复杂背景下棉花杂草有较好的检测效果,可为精确除草提供参考.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	夏俊芳	华中农业大学工学院	88	1235	21.0	31.0
2	彭辉	华中农业大学信息学院	21	250	9.0	15.0
3	彭明霞	华中农业大学信息学院	4	14	3.0	3.0