文献类型：期刊文章

作　　者：彭明霞[1] 夏俊芳[2] 彭辉[1]

Peng Mingxia;Xia Junfang;Peng Hui(College of Informatics,Huazhong Agricultural University,Wuhan 4300070,China;College of Engineering,Huazhong Agricultural University,Wuhan 4300070,China)

机构地区：[1]华中农业大学信息学院,武汉430070 [2]华中农业大学工学院,武汉430070

出　　处：《农业工程学报》

基　　金：国家重点专项项目(2017YFD0301303);公益性行业(农业)科研专项项目(201503136)

年　　份：2019

卷　　号：35

期　　号：20

起止页码：202-209

语　　种：中文

收录情况：AJ、BDHX、BDHX2017、CAB、CAS、CSA、CSA-PROQEUST、CSCD、CSCD2019_2020、EI、FSTA、IC、JST、PROQUEST、RCCSE、SCOPUS、ZGKJHX、核心刊

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1000幅图片的数据集。对比了Faster R-CNN和YOLOv32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。

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  

分 类 号：TP274] TP391.41]