文献类型：期刊文章

作　　者：邓向武[1] 梁松[1] 齐龙[2] 余淑婷[1]

Deng Xiangwu;Liang Song;Qi Long;Yu Shuting(College of Electronic Information Engineering,Guangdong University of Petrochemical Technology,Maoming,525000,China;College of Engineering,South China Agricultural University,Guangzhou,510642,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,广州市510642

出　　处：《中国农机化学报》

基　　金：茂名市科技计划项目(2022041);广东石油化工学院人才引进及博士启动项目(2019rc044);广东省杰出青年基金(2019B151502056);现代农业产业技术体系建设专项资金(CARS—01—47);广东石油化工学院大学生创新创业培育计划项目(73321002)。

年　　份：2023

卷　　号：44

期　　号：4

起止页码：174-180

语　　种：中文

收录情况：BDHX、BDHX2020、JST、RCCSE、核心刊

摘　　要：稻田杂草位置获取是靶向喷施除草剂和机械智能除草的基础,为实现自然光照环境和水田复杂背景下稻田苗期杂草的信息获取。以稻田恶性杂草野慈姑为研究对象,提出一种基于全卷积神经网络的稻田苗期杂草语义分割方法,利用DeepLabV3+对秧苗和杂草进行语义分割进而获取的杂草位置信息。首先人工田间采集稻田苗期杂草野慈姑的RGB图像,通过图像标注工具LabelMe人工标注图像中秧苗、杂草和背景的各个像素点,70%数据集用于DeepLabV3+网络模型参数的训练,30%数据集用于测试DeepLabV3+性能。然后与FCN和U-Net两种语义分割方法进行比较,所提出的DeepLabV3+语义分割方法准确率、均正比、频权交并比和F值等性能指标都最优,试验得出:DeepLabV3+模型像素准确率最高达到92.2%,高于U-Net和FCN方法的准确率92.1%和84.7%。所提出的方法能对稻田苗期杂草、秧苗和背景像素进行准确分割,满足智能除草和除草剂靶向喷施的实际应用需求。

关 键 词：稻田杂草 野慈姑  语义分割  DeepLabV3+  

分 类 号：S511]