文献类型：期刊文章

作　　者：刘慧力[1] 贾洪雷[1,2] 王刚[1,3] GLATZEL Stephan[3] 袁洪方[1] 黄东岩[1,2]

LIU Huili;JIA Honglei;WANG Gang;GLATZEL Stephan;YUAN Hongfang;HUANG Dongyan(College of Biological and Agricultural Engineering,Jilin University,Changchun 130022,China;Key Laboratory of Bionic Engineering,Ministry of Education,Jilin University,Changchun 130022,China;Department of Geography and Regional Research,University of Vienna,Vienna 1090,Austria)

机构地区：[1]吉林大学生物与农业工程学院,长春130022 [2]吉林大学工程仿生教育部重点实验室,长春130022 [3]维也纳大学地理与区域研究系,维也纳1090

出　　处：《农业机械学报》

基　　金：吉林省科技发展计划国际科技合作项目(20180414074GH);国家重点研发计划项目(2017YFD0700904)。

年　　份：2020

卷　　号：51

期　　号：4

起止页码：207-215

语　　种：中文

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

摘　　要：以识别玉米秧苗茎秆为目标,采用云台搭载电荷耦合器件(CCD)相机获得玉米秧苗图像,采用Label Image插件制作了玉米秧苗的标记与标签。基于深度学习框架Tensor Flow搭建了多尺度分层特征的卷积神经网络模型,应用4倍膨胀的单位卷积核,获得了玉米秧苗图像的识别模型,其识别准确率为99.65%。将已知玉米秧苗图像划分为最佳子块,求取了各个子块的最佳二值化阈值。选取6种杂草密度在每天5个时间段进行为期3 d的试验,共采集了10800幅图像。试验结果显示,对玉米秧苗茎秆的平均识别准确率为98.93%,且光照条件与田间杂草密度对识别结果没有显著影响(P>0.05)。

关 键 词：玉米秧苗  茎秆识别  深度学习  膨胀卷积  图像处理

分 类 号：TP391.41]