【目的】利用深度卷積神經(jīng)網(wǎng)絡(luò)對水稻田雜草進(jìn)行準(zhǔn)確、高效、無損識別,得出最優(yōu)的網(wǎng)絡(luò)模型,為水稻田種植管理以及無人機(jī)變量噴施提供理論依據(jù)�！痉椒ā恳运咎镫s草為主要研究對象,利用CCD感光相機(jī)采集雜草圖像樣本,構(gòu)建水稻田雜草數(shù)據(jù)集（PFMW）。利用多種結(jié)構(gòu)的深度卷積神經(jīng)網(wǎng)絡(luò)對PFMW數(shù)據(jù)集進(jìn)行特征的自動提取,并進(jìn)行建模與試驗(yàn)�！窘Y(jié)果】在各深度模型對比試驗(yàn)中,VGG16模型取得了最高精度,其在鬼針草、鵝腸草、蓮子草、千金子、鱧腸和澎蜞菊6種雜草中的F值分別為0.957、0.931、0.955、0.955、0.923和0.992,其平均F值為0.954。在所設(shè)置的深度模型優(yōu)化器試驗(yàn)中,VGG16-SGD模型取得了最高精度,其在上述6種雜草中的F值分別為0.987、0.974、0.965、0.967、0.989和0.982,其平均F值為0.977。在PFMW數(shù)據(jù)集的樣本類別數(shù)量均衡試驗(yàn)中,無失衡雜草數(shù)據(jù)集訓(xùn)練出來的VGG16深度模型的準(zhǔn)確率為0.900,而16.7%、33.3%和66.6%類別失衡的數(shù)據(jù)集訓(xùn)練的模型準(zhǔn)確率分別為0.888、0.866和0.845�！窘Y(jié)論】利用機(jī)器視覺能夠準(zhǔn)確識別水... 

【文章頁數(shù)】：7 頁

【參考文獻(xiàn)】：
期刊論文
[1]基于多特征融合和深度置信網(wǎng)絡(luò)的稻田苗期雜草識別[J]. 鄧向武,齊龍,馬旭,蔣郁,陳學(xué)深,劉海云,陳偉烽.  農(nóng)業(yè)工程學(xué)報(bào). 2018(14)
[2]空洞卷積結(jié)合全局池化的卷積神經(jīng)網(wǎng)絡(luò)識別作物幼苗與雜草[J]. 孫俊,何小飛,譚文軍,武小紅,沈繼鋒,陸虎.  農(nóng)業(yè)工程學(xué)報(bào). 2018(11)
[3]基于BP神經(jīng)網(wǎng)絡(luò)的田間雜草識別技術(shù)研究[J]. 楊會清,李明剛.  山東理工大學(xué)學(xué)報(bào)(自然科學(xué)版). 2014(02)
[4]影響我國雜草分布危害的性狀統(tǒng)計(jì)分析[J]. 高平磊,郭水良,印麗萍,婁玉霞.  上海師范大學(xué)學(xué)報(bào)(自然科學(xué)版). 2010(06)
[5]葉片圖像特征提取與識別技術(shù)的研究[J]. 王曉峰,黃德雙,杜吉祥,張國軍.  計(jì)算機(jī)工程與應(yīng)用. 2006(03)

博士論文
[1]基于數(shù)字圖像處理的玉米苗期田間雜草的識別研究[D]. 吳蘭蘭.華中農(nóng)業(yè)大學(xué) 2010

碩士論文
[1]基于改進(jìn)LBP的復(fù)雜背景下作物病害葉片病斑分割方法研究[D]. 許新華.鄭州大學(xué) 2018
[2]早期玉米苗與雜草的自動辨識算法研究[D]. 夏雨.哈爾濱工業(yè)大學(xué) 2017
[3]基于K-means特征學(xué)習(xí)的雜草識別研究[D]. 何俐珺.西北農(nóng)林科技大學(xué) 2016
[4]長江中下游地區(qū)直播稻田雜草種子庫及千金子（Leptochloa chinensis）防控技術(shù)研究[D]. 劉慶虎.南京農(nóng)業(yè)大學(xué) 2016
[5]水稻在我國糧食安全中的戰(zhàn)略地位分析[D]. 虞國平.中國農(nóng)業(yè)科學(xué)院 2009
[6]基于圖像處理的雜草種類識別技術(shù)研究[D]. 吳國瑞.西北農(nóng)林科技大學(xué) 2009



本文編號：3685891