基于深度卷积神经网络的水稻田杂草识别研究

• 作者: 兰玉彬 卢杨 岑振钊 岳学军 彭文 洪金宝 王林惠 程子耀
• 来源期刊: 华南农业大学学报
• 学科: 农学
• 关键词: 机器视觉 稻田杂草 深度卷积神经网络 模型优化器
• 年，卷（期）: 2020,（6）
• 所属期刊栏目: 研究论文
• 页码范围: 75-81
• 页数: 7页
• 分类号: S511|TP183
• 语种: 中文
• DOI: 10.7671/j.issn.1001-411X.202007029

摘要

[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稻田杂草,这对于促进水稻田精细化耕作以及无人机变量喷施等方面具有重要意义,可以有效地协助农业种植过程中的杂草防治工作.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	岳学军		2	0	0.0	0.0
2	王林惠		2	0	0.0	0.0
3	洪金宝		2	0	0.0	0.0
4	彭文		1	0	0.0	0.0
5	兰玉彬		1	0	0.0	0.0
6	程子耀		1	0	0.0	0.0
7	岑振钊		1	0	0.0	0.0
8	卢杨		1	0	0.0	0.0