文献类型：期刊文章

作　　者：姜红花[1] 王鹏飞[1] 张昭[2] 毛文华[3] 赵博[3] 齐鹏[4]

JIANG Honghua;WANG Pengfei;ZHANG Zhao;MAO Wenhua;ZHAO Bo;QI Peng(College of Information Science and Engineering,Shandong Agricultural University,Taian 271018,China;College of Electron and Electricity Engineering,Baoji University of Arts and Sciences,Baoji 721016,China;Chinese Academy of Agricultural Mechanization Sciences,Beijing 100083,China;Shandong Yongjia Power Co.,Ltd.,Linyi 276000,China)

机构地区：[1]山东农业大学信息科学与工程学院,泰安271018 [2]宝鸡文理学院电子电气工程学院,宝鸡721016 [3]中国农业机械化科学研究院,北京100083 [4]山东永佳动力股份有限公司,临沂276000

出　　处：《农业机械学报》

基　　金：山东省重点研发计划项目(2015GNC112004);国家重点研发计划项目(2017YFD0700500);山东省自然科学基金项目(ZR2018MC017);山东农业大学智能化农业装备研发项目(24132)

年　　份：2018

卷　　号：49

期　　号：11

起止页码：30-38

语　　种：中文

收录情况：BDHX、BDHX2017、CAB、CAS、CSA、CSA-PROQEUST、CSCD、CSCD2017_2018、EI、IC、JST、RCCSE、SCOPUS、ZGKJHX、核心刊

摘　　要：为提高作物与杂草识别的准确性,结合深度卷积网络强大的特征提取能力和哈希码便于存储和快速检索的特点,提出了基于深度卷积网络和二进制哈希码的田间杂草快速识别方法。结合预训练的多层卷积网络,增加二进制哈希层构建杂草识别模型,并利用所采集的杂草数据集对模型进行fine-tuning。所提出的二进制哈希层可有效地将高维杂草特征进行压缩,以便于实际田间杂草特征的存储和后续计算。在进行杂草识别时,利用训练好的模型提取输入图像的全连接层特征码和哈希特征码,与数据库中的全连接层特征码和哈希特征码进行对比,分别计算其汉明距离与欧氏距离,找出与其最相似的K幅图像,统计这K幅图像的标签,将其归入频率最高的一类,以达到分类识别的目的。通过对比不同卷积层数和不同二进制哈希码长度对杂草识别的影响,最终确定了包含4层卷积网络和128位哈希码长度的杂草识别模型。试验结果表明,本研究方法田间杂草识别准确率可达98. 6%,并且损失函数稳定性相较于普通模型有所提高;同时,在其他杂草数据集上也有良好的表现,准确率达到95. 8%,说明该方法具有通用性。实地测试表明,利用本文提出的模型进行杂草识别,对靶喷雾杂草施药率可达92. 7%,能够有效减少农药浪费,适用于精准喷雾。

关 键 词：杂草识别 卷积神经网络 哈希码  深度学习  特征压缩  

分 类 号：S451.0]