文献类型：期刊文章

作　　者：姜红花[1] 张传银[1] 张昭[2] 毛文华[3] 王东[4] 王东伟[5]

JIANG Honghua;ZHANG Chuanyin;ZHANG Zhao;MAO Wenhua;WANG Dong;WANG Dongwei(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;College of Agronomy,Shandong Agricultural University,Taian 271018,China;College of Mechanical and Electrical Engineering,Qingdao Agricultural University,Qingdao 266109,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]山东农业大学农学院,泰安271018 [5]青岛农业大学机电工程学院,青岛266109

出　　处：《农业机械学报》

基　　金：国家重点研发计划项目(2017YFD0700500);山东省重大科技创新工程项目(2019JZZY010716);山东省农业重大应用技术创新项目(SD2019NJ001);山东省重点研发计划项目(2015GNC112004);山东省自然科学基金项目(ZR2018MC017)。

年　　份：2020

卷　　号：51

期　　号：6

起止页码：220-228

语　　种：中文

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

摘　　要：针对田间复杂环境下杂草分割精度低的问题,提出了基于Mask R-CNN的杂草检测方法。该方法采用残差神经网络ResNet-101提取涵盖杂草语义、空间信息的特征图;采用区域建议网络对特征图进行杂草与背景的初步二分类、预选框回归训练,利用非极大值抑制算法筛选出感兴趣区域;采用区域特征聚集方法(RoIAlign),取消量化操作带来的边框位置偏差,并将感兴趣区域(RoI)特征图转换为固定尺寸的特征图;输出模块针对每个RoI计算分类、回归、分割损失,通过训练预测候选区域的类别、位置、轮廓,实现杂草检测及轮廓分割。在玉米、杂草数据集上进行测试,当交并比(IoU)为0.5时,本文方法均值平均精度(mAP)为0.853,优于SharpMask、DeepMask的0.816、0.795,本文方法的单样本耗时为280 ms,说明本文方法可快速、准确检测分割出杂草类别、位置和轮廓,优于SharpMask、DeepMask实例分割算法。在复杂背景下对玉米、杂草图像进行测试,在IoU为0.5时,本文方法mAP为0.785,单样本耗时为285 ms,说明本文方法可实现复杂背景下的农田作物杂草分割。在田间变量喷洒试验中,杂草识别准确率为91%,识别出杂草并准确喷雾的准确率为85%,准确喷药的杂草雾滴覆盖密度为55个/cm2,装置对每幅图像的平均处理时间为0.98 s,满足农药变量喷洒的控制要求。

关 键 词：杂草 变量喷药  特征提取 图像分割 残差神经网络  

分 类 号：TP391.4]