文献类型：期刊文章

作　　者：孟庆宽[1,2] 张漫[3] 杨晓霞[1] 刘易[1] 张振仪[1]

MENG Qingkuan;ZHANG Man;YANG Xiaoxia;LIU Yi;ZHANG Zhenyi(College of Automation and Electrical Engineering,Tianjin University of Technology and Education,Tianjin 300222,China;Tianjin Key Laboratory of Information Sensing and Intelligent Control,Tianjin 300222,China;Key Laboratory of Modern Precision Agriculture System Integration Research,Ministry of Education,China Agricultural University,Beijing 100083,China)

机构地区：[1]天津职业技术师范大学自动化与电气工程学院,天津300222 [2]天津市信息传感与智能控制重点实验室,天津300222 [3]中国农业大学现代精细农业系统集成研究教育部重点实验室,北京100083

出　　处：《农业机械学报》

基　　金：国家重点研发计划项目(2017YFD00700400-2017YFD00700403);天津市自然科学基金项目(18JCQNJC04500、19JCQNJC01700);天津市教委科研计划项目(JWK1613);天津职业技术师范大学校级预研项目(KJ2009、KYQD1706)。

年　　份：2020

卷　　号：51

期　　号：12

起止页码：238-245

语　　种：中文

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

摘　　要：针对自然环境下作物与杂草识别精度低、实时性和鲁棒性差等问题,以幼苗期玉米及其伴生杂草为研究对象,提出一种基于轻量卷积神经网络结合特征层信息融合机制的改进单步多框检测器(Single shot multibox detector,SSD)模型。首先,采用深度可分离卷积结合压缩与激励网络(Squeeze-and-excitation networks,SENet)模块构建轻量特征提取单元,在此基础上通过密集化连接构成轻量化前置基础网络,替代标准SSD模型中的VGG16网络,以提高图像特征提取速度;然后,基于不同分类特征层融合机制,将扩展网络中深层语义信息与浅层细节信息进行融合,融合后的特征图具有足够的分辨率和更强的语义信息,可以提高对小尺寸作物与杂草的检测准确率。试验结果表明,本文提出的深度学习检测模型对自然环境下玉米及其伴生杂草的平均精度均值为88.27%、检测速度为32.26 f/s、参数量为8.82×10^6,与标准SSD模型相比,精度提高了2.66个百分点,检测速度提高了33.86%,参数量降低了66.21%,同时对小尺寸目标以及作物与杂草叶片交叠情况的识别具有良好的鲁棒性与泛化能力。本文方法可为农业自动化精准除草提供技术支持。

关 键 词：玉米幼苗 杂草 图像识别  轻量卷积  特征融合  SSD模型  

分 类 号：TP391.41]