在大豆-玉米輪作生產(chǎn)過(guò)程中,玉米雜苗會(huì)與大豆苗競(jìng)爭(zhēng)水和肥料,而且很容易遮住大豆苗,影響害蟲(chóng)（如玉米根蟲(chóng)）的防控,降低大豆品質(zhì)。因此,在大豆幼苗期及時(shí)檢測(cè)出玉米雜苗并對(duì)其進(jìn)行處理非常重要。傳統(tǒng)的人工檢測(cè)方法主觀性強(qiáng)、效率低,傳感器和算法的發(fā)展為自動(dòng)檢測(cè)玉米雜苗提供了更好的解決方案。本研究在溫室環(huán)境下模仿田間條件,待玉米和大豆發(fā)芽后,連續(xù)5天用因特爾RealSense D435相機(jī)采集彩色圖像,并人工裁剪幼苗圖像區(qū)域,在此基礎(chǔ)上對(duì)圖像進(jìn)行分割和去噪。在采集圖像形狀、色彩和紋理特征值后,對(duì)所采集的特征值進(jìn)行權(quán)重分析,保留前10種重要的特征值導(dǎo)入基于特征的機(jī)器學(xué)習(xí)算法中進(jìn)行模型訓(xùn)練和預(yù)測(cè)。預(yù)測(cè)結(jié)果表明,支持向量機(jī)模型（SVM）、神經(jīng)網(wǎng)絡(luò)（NN）和隨機(jī)森林（RF）的預(yù)測(cè)精度分別為85.3%,81.5%和82.6%。將數(shù)據(jù)集導(dǎo)入GoogLeNet和VGG-16兩種深度學(xué)習(xí)模型進(jìn)行訓(xùn)練,預(yù)測(cè)精度分別為96.0%和96.2%。VGG-16模型在區(qū)分大豆幼苗和玉米雜苗中有較好的表現(xiàn),彩色圖像和VGG-16模型組成的系統(tǒng)可以自動(dòng)檢測(cè)大豆生長(zhǎng)過(guò)程中玉米雜苗的情況,為農(nóng)民提供準(zhǔn)確的信息,幫助其進(jìn)行生產(chǎn)決策和田... 

【文章來(lái)源】：智慧農(nóng)業(yè)(中英文). 2020,2(03)

【文章頁(yè)數(shù)】：14 頁(yè)

【文章目錄】：
1 Introduction
2 Materials and methods
    2.1 Data collection
    2.2 Dataset preprocessing
    2.3 Feature based machine learning
        2.3.1 Feature extraction
        2.3.2 Support vector machine,neural net-work and random forest
    2.4 Deep learning
        2.4.1 VGG16 and Goog Le Net
        2.4.2 Accuracy evaluation
3 Results and discussion
    3.1 Feature based machine learning al-gorithms
    3.2 Deep learning algorithms
    3.3 Performance comparison of machine learning and deep learning
    3.4 Future work
4 Conclusions



本文編號(hào)：3471984