基于卷积神经网络提取多尺度分层特征识别玉米杂草

摘要：

为提高作物与杂草识别的准确率、稳定性和实时性,该文以幼苗期玉米及杂草为研究对象,提出了基于卷积神经网络提取多尺度分层特征的玉米杂草识别方法.首先建立卷积神经网络模型,以从图像的高斯金字塔中提取多尺度分层特征作为识别依据,再与多层感知器相连接实现图像中各像素的识别;为了避免目标交叠所带来的问题,对图像进行超像素分割,通过计算每个超像素内部的平均像素类别分布确定该超像素块的类别,再将相同类别的相邻超像素合并,最终实现图像中各目标的识别.试验结果表明:该方法的平均目标识别准确率达98.92%,标准差为0.55%,识别单幅图像的平均耗时为1.68 s,采用GPU硬件加速后识别单幅图像的平均耗时缩短为0.72 s.该方法实现了精确、稳定和高效的玉米与杂草识别,研究可为精确除草的发展提供参考.

关键词：作物、图像识别、图像分割、杂草识别、深度学习、卷积神经网络、超像素

所属期刊栏目：34

分类号：TP274;TP391.41(自动化技术及设备)

资助基金：国家重点研发计划2017YFD0701501

在线出版日期：2018-03-30（万方平台首次上网日期，不代表论文的发表时间）

页数：共8页

页码：144-151