10.11975/j.issn.1002-6819.2022.06.016
基于像素块和机器学习的播前棉田地表残膜覆盖率检测
由于农用地膜的长期使用,棉田残留地膜造成了严重的耕地环境污染.为了快速准确地检测播前棉田地表残膜污染,该研究提出一种基于像素块和机器学习的播前棉田地表残膜覆盖率检测方法.将原始图像通过不同尺寸分割的方法得到像素块,提取像素块的一阶、二阶、三阶颜色矩和灰度共生矩阵(Gray-level Co-occurrence Matrix,GLCM)纹理特征,通过像素占比判别方法提取标签.采用随机森林(Random Forests,RF)、极端梯度提升(Xtreme Gradient Boosting,XGBoost)、支持向量机(Support Vector Machine,SVM)和人工神经网络(Artificial Neural Network,ANN)4种算法构建残膜识别模型,计算棉田地表的残膜覆盖率.结果表明,20×20像素块下采用人工神经网络算法,残膜覆盖率检测值与真实值的相对误差最小,为0.51%,检测时间最短,为0.29 s.相比于像素点,像素块识别方法减小了样本数量,增加了像素点之间的相互特征,可快速准确检测残膜覆盖率,对农田残膜污染监测具有一定借鉴意义.
机器学习、污染、像素块、残膜、棉田、检测
38
S24(农业电气化与自动化)
国家自然科学基金;兵团中青年科技创新领军人才计划项目;石河子大学高层次人才科研启动项目
2022-06-22(万方平台首次上网日期,不代表论文的发表时间)
共8页
140-147