基于深度学习的玉米田间杂草识别与分割技术研究

发布时间：2023-11-11 11:02

　　玉米作为我国的重要粮食产物,受草害影响极为严重,在极端条件下玉米因杂草影响会减产20%以上。传统的大面积全淋式农药除草方式,不能针对杂草按需施药,易造成农药大量浪费、生产成本较高、环境污染严重等问题,从而影响了玉米的产量和品质。为解决上述问题,需进行玉米杂草精准变量施药。杂草的精准识别检测是实现杂草变量喷洒的首要前提,本文针对田间复杂环境下杂草识别精度低的问题,选择玉米及其伴生杂草为研究对象,结合深度学习和卷积神经网络特征提取的特点,利用图卷积网络的特征传播能力,以提高杂草的识别、定位、分割准确率为目标,展开了基于深度学习的玉米田间杂草识别与分割技术研究,为后续玉米田间杂草的精准防控提供理论依据和技术支撑。主要研究内容如下:(1)研究了一种基于CNN和GCN的田间杂草识别网络。本网络使用CNN提取杂草图像样本特征,根据杂草特征基于欧氏距离构建图模型,使用拉普拉斯变换优化图模型,利用GCN图谱卷积进行特征传播,将融合特征放入分类器,实现杂草的分类识别。在玉米、生菜、胡萝卜三类杂草数据集上的分类准确率分别为97.8%、99.37%、98.93%。(2)基于Mask R-CNN方法构建了杂草...

【文章页数】：77 页

【学位级别】：硕士

【文章目录】：
符号说明
中文摘要
Abstract
1 绪论
    1.1 研究目的与意义
    1.2 国内外研究现状分析
        1.2.1 国外研究现状
        1.2.2 国内研究现状
        1.2.3 国内外研究存在的问题
    1.3 研究内容
    1.4 论文组织结构
2 深度学习算法概述
    2.1 神经网络简介
        2.1.1 神经元结构
        2.1.2 多层感知机结构
        2.1.3 反向传播算法
    2.2 卷积神经网络
        2.2.1 卷积层结构
        2.2.2 池化层结构
        2.2.3 Dropout层
        2.2.4 常见分类网络
        2.2.5 常见分割网络
    2.3 图论
        2.3.1 度量矩阵
        2.3.2 邻接矩阵
        2.3.3 拉普拉斯矩阵
    2.4 本章小结
3 基于图卷积网络的田间杂草分类识别
    3.1 引言
    3.2 基于图卷积网络的杂草识别网络
        3.2.1 特征提取
        3.2.2 基于半监督GCN的杂草识别
    3.3 试验数据集
    3.4 试验结果与分析
        3.4.1 玉米杂草数据集试验结果
        3.4.2 胡萝卜杂草数据集试验结果
        3.4.3 生菜杂草数据集试验结果
        3.4.4 混合数据集试验结果
        3.4.5 CNN、GCN试验对比
    3.5 本章小结
4 基于Mask R-CNN田间杂草分割的变量喷洒系统
    4.1 引言
    4.2 数据标注
    4.3 Mask R-CNN杂草检测分割模型
        4.3.1 杂草CNN特征提取
        4.3.2 区域建议网路RPN
        4.3.3 RoIAlign层
        4.3.4 输出模块
    4.4 Mask R-CNN杂草分割试验与性能评估
        4.4.1 杂草分割试验
        4.4.2 评估指标
    4.5 试验结果与分析
        4.5.1 杂草分割结果与分析
        4.5.2 其他数据集验证
    4.6 田间变量喷洒试验测试
        4.6.1 单行植株多阀门喷洒
        4.6.2 不同地段单行植株多阀门喷洒
        4.6.3 多行植株多阀门喷洒
    4.7 本章小结
5 总结与展望
    5.1 本文总结
    5.2 展望
参考文献
致谢
攻读硕士学位期间取得的成果



本文编号：3862504