文献类型：期刊文章

作　　者：金慧萍[1] 朱文鹏[2] 刘腾[3] 于佳琳[3] 金小俊[3,4]

Jin Huiping;Zhu Wenpeng;Liu Teng;Yu Jialin;Jin Xiaojun(Engineering Training Center,Nanjing Forestry University,Nanjing,210037,China;School of Computer Science,Universiti Sains Malaysia,Penang,11800,Malaysia;Institute of Advanced Agricultural Sciences,Peking University,Weifang,261325,China;College of Mechanical and Electronic Engineering,Nanjing Forestry University,Nanjing,210037,China)

机构地区：[1]南京林业大学工程培训中心,南京市210037 [2]马来西亚理科大学计算机科学学院,槟州槟城11800 [3]北京大学现代农业研究院,山东潍坊261325 [4]南京林业大学机械电子工程学院,南京市210037

出　　处：《中国农机化学报》

基　　金：国家自然科学基金项目(32072498);江苏省研究生科研与实践创新计划项目(KYCX22_1051)。

年　　份：2024

卷　　号：45

期　　号：11

起止页码：215-220

语　　种：中文

收录情况：BDHX、BDHX2023、JST、RCCSE、SCOPUS、ZGKJHX、核心刊

摘　　要：杂草种类繁多且分布随机导致杂草识别难度大、准确率低和实时性差。为此,提出一种基于深度卷积神经网络的青菜杂草识别方法。首先,利用深度卷积神经网络模型对切分后的网格图像进行青菜识别,以此排除青菜网格图像。进而运用图像处理技术对不包含青菜的网格进行图像分割,识别出不含绿色像素的背景网格图像,并将剩下的网格图像标记为杂草图像。试验结果表明:DenseNet模型、RegNet模型和ShuffleNet模型在测试集识别青菜的总体准确率均高于0.965,展现良好的识别效果。识别速度方面,ShuffleNet模型具有最高的计算效率,识别单张原始图像仅耗时14.12 ms,相应帧率为70.84 fps,满足实时杂草识别应用需求。识别青菜进而区分杂草与土壤,有效降低杂草识别的复杂度,同时提高杂草识别准确率。

关 键 词：青菜 杂草识别 卷积神经网络 深度学习  颜色分割  

分 类 号：S634] TP391.41]