基于Swin Transformer模型的玉米生长期分类

摘要：

快速准确识别玉米生长的不同阶段,对于玉米种植周期的高效精准管理具有重要意义.针对大田环境下玉米生长阶段分类辨识易受复杂背景、户外光照等因素影响的问题,该研究采用无人机获取玉米不同生长阶段的图像信息,以苗期、拔节期、小喇叭口期、大喇叭口期4个生长阶段为对象,利用Swin Transformer(Swin-T)模型引入迁移学习实现玉米不同生长阶段的快速识别.首先结合玉米垄面走向特性,将训练集旋转8次用以扩充数据集;为探究各模型在非清晰数据集上的表现,采用高斯模糊方法将测试集转换6次;最后以AlexNet,VGG16,GoogLeNet做为对比,评估Swin-T模型性能.试验结果表明,Swin-T模型在原始测试集的总体准确率为98.7％,相比于AlexNet,VGG16,GoogLeNet模型分别高出6.9、2.7和2.0个百分点;在错误分类中,大喇叭口期和小喇叭口期由于冠层特征相似,造成识别错误的概率最大;在非清晰数据集下,AlexNet,VGG16,GoogLeNet模型精度总体退化指数分别为12.4％、10.4％和15.0％,Swin-T模型总体退化指数为8.31％,并且退化均衡度、平均退化指数、最大退化准确率均表现最佳.研究结果表明:在分类精度、模糊图像输入等方面,Swin-T模型能够较好地满足实际生产中玉米不同生长阶段分类识别的需求,可为玉米生长阶段的智能化监测提供技术支撑.

关键词：图像处理、深度学习、玉米生长期、分类识别、Swin Transformer

所属期刊栏目：38

分类号：TP391(计算技术、计算机技术)

资助基金：中央高校建设世界一流大学学科;特色发展引导专项;工信部重大产品项目;烟台市校地融合发展项目

在线出版日期：2022-10-24（万方平台首次上网日期，不代表论文的发表时间）

页数：共10页

页码：191-200