文献类型：期刊文章

作　　者：赵辉[1] 曹宇航[1] 岳有军[1] 王红君[1]

Zhao Hui;Cao Yuhang;Yue Youjun;Wang Hongjun(School of Electrical and Electronic Engineering,Tianjin University of Technology,Tianjin Key Laboratory of Complex System Control Theory and Application,Tianjin 300384,China)

机构地区：[1]天津理工大学电气电子工程学院,天津市复杂系统控制理论与应用重点实验室,天津300384

出　　处：《农业工程学报》

基　　金：天津市科技支撑计划项目(19YFZCSN00360)。

年　　份：2021

卷　　号：37

期　　号：18

起止页码：136-142

语　　种：中文

收录情况：AJ、BDHX、BDHX2020、CAB、CAS、CSCD、CSCD2021_2022、EAPJ、EI、IC、JST、PROQUEST、RCCSE、SCOPUS、ZGKJHX、核心刊

摘　　要：精确、快速地获取作物和杂草的类别信息是实现自动化除草作业的重要前提。为解决复杂环境下农作物田间杂草种类的高效准确识别问题,该研究提出一种基于改进DenseNet的杂草识别模型。首先,在DenseNet-121网络的基础上,通过在每个卷积层后引入高效通道注意力(Efficient Channel Attention,ECA)机制,增加重要特征的权重,强化杂草特征并抑制背景特征;其次,通过DropBlock正则化随机隐藏杂草图像部分特征块,以提升模型的泛化能力,增强模型识别不同类型杂草的适应性;最后,以自然环境下玉米幼苗和6类伴生杂草作为样本,在相同试验条件下与VggNet-16、ResNet-50和未改进的DenseNet-121模型进行对比试验。结果表明,改进的DenseNet模型性能最优,模型大小为26.55 MB,单张图像耗时0.23 s,平均识别准确率达到98.63%,较改进前模型的平均识别准确率提高了2.09个百分点,且综合性能高于VggNet-16、ResNet-50模型;同时,通过采用梯度加权类激活映射图(Gradient-weighted Class Activation Mapping,Grad-CAM)可视化热度图方法分析,得出改进前后模型的类别判断概率分别为0.68和0.99,本文模型明显高于未改进模型,进一步验证了改进模型的有效性。该模型能够很好地解决复杂环境下农作物和杂草的种类精准识别问题,为智能除草机器人开发奠定了坚实的技术基础。

关 键 词：图像识别 卷积神经网络 高效通道注意力  DropBlock  田间杂草

分 类 号：TP391.41]