文献类型：期刊文章

作　　者：邓向武[1] 马旭[2] 齐龙[2] 孙国玺[1] 梁松[1] 金晶[3]

Deng Xiangwu;Ma Xu;Qi Long;Sun Guoxi;Liang Song;Jin Jing(College of Electronic Information Engineering,Guangdong University of Petrochemical Technology,Maoming 525000,China;College of Engineering,South China Agricultural University,Guangzhou 510642,China;Information Engineering College,Hainan Technology and Business College,Haikou 570203,China)

机构地区：[1]广东石油化工学院电子信息工程学院,广东茂名525000 [2]华南农业大学工程学院,广州510642 [3]海南工商职业学院信息工程学院,海口570203

出　　处：《农机化研究》

基　　金：广东石油化工学院人才引进及博士启动项目(2019rc044);现代农业产业技术体系建设专项(CARS-01-43);国家青年科学基金项目(31801258);海南自然科学基金面上项目(617167)。

年　　份：2021

卷　　号：43

期　　号：10

起止页码：167-171

语　　种：中文

收录情况：BDHX、BDHX2020、JST、RCCSE、核心刊

摘　　要：杂草类别信息获取是实现杂草智能化田间管理的基础,为实现自然光照和大田复杂背景下的稻田苗期杂草自动识别,提出了一种基于卷积神经网络(Convolutional Neural Network,CNN)与迁移学习相结合的稻田苗期杂草识别方法,可将预训练CNN图像分类模型的参数迁移到稻田苗期杂草识别任务。工作时,采集6种稻田苗期杂草图像共928幅,包括鳢肠、丁香蓼、空心莲子草、千金子、野慈姑和稗草,随机选择70%的图像样本作为训练集,剩余30%的图像样本作为测试集。基于3种经典CNN图像分类模型AlexNet、VGG16和GoogLeNet进行参数迁移学习,这3种参数迁移模型对6种稻田苗期杂草测试样本的正确识别率分别为96.40%、97.48%和91.01%。试验结果表明:基于预训练CNN图像分类模型与迁移学习相结合的稻田苗期杂草识别方法切实可行,可为其他农业应用中小样本图像的识别提供参考。

关 键 词：杂草识别 稻田 卷积神经网络 迁移学习  

分 类 号：S365]