基于“深度学习”识别模型的玉米农田监测应用系统设计与实现
为了精准判断玉米所处生长阶段,远程实时监测玉米长势,分析生长阶段与田间环境要素间的关系,本文提出深度局部关联神经网络,克服了玉米生长阶段识别中存在的多模态和模糊性问题,在Oxford VGGNet (VisualGeometry Group Net)模型中添加一个新的监督层,即局部关联损失层,提高深层特征的判别能力.基于所提的玉米生长阶段图片识别新算法,拓展环境要素监测功能,设计一套基于深度学习的玉米农田监测系统.系统由玉米农田监测装置和云端服务器组成,监测装置采集玉米图像、气象要素和田间位置数据,通过4G无线发送给云端服务器,云端服务器利用深度局部关联神经网络识别生长阶段,显示结果并存入数据库中.仿真试验表明,深度局部关联神经网络平均识别准确率达到92.53％,较VGGNet的87.21％和LSTM的88.50％,准确率分别提高了5.32％和4.03％.实地测试结果表明,野外环境下系统准确率可达到91.43％,能够稳定地对农田玉米生长情况进行监测,具有重要的应用价值.
玉米农田监测、生长阶段识别、卷积神经网络、深度局部关联
47
S163(农业气象学)
国家自然科学基金61671248,41605121;江苏省重点研发计划BE2018719;江苏省“信息与通信工程”优势学科计划资助、江苏省研究生科研创新计划KYCX18_1038
2019-09-23（万方平台首次上网日期，不代表论文的发表时间）
共10页
571-580
