基于深度学习的玉米田间杂草识别与分割技术研究.pdfVIP

符 号 说 明 RPN ：Region Proposal Network ，区域建议网络 DNN ：Deep neural network ，深度神经网络 CNN ：Convolutional neural network ，卷积神经网络 GCN ：Graph convolutional network ，图卷积网络 BP ：Back propagation ，反向传播算法 FCN ：Fully convolutional network ，全卷积神经网络 Bbox ：Bounding box ，预选区域 IoU ：Intersection over Union ，交并比 NMS ：Non maximum suppression ，非极大值抑制算法 mAP ：Mean average precision ，均值平均精度 AP ：Average precision ，平均精度 P ： Precision ，精确率 R ：Recall ，召回率 TP ：True positive ，正样本预测为正样本 TN ：True negative ，负样本预测为负样本 FP ：False positive ，负样本预测为正样本 FN ：False negative ，正样本预测为负样本 目录 中文摘要I Abstract II 1 绪论 1 1.1 研究目的与意义 1 1.2 国内外研究现状分析 2 1.2.1 国外研究现状 2 1.2.2 国内研究现状 4 1.2.3 国内外研究存在的问题 6 1.3 研究内容 7 1.4 论文组织结构 8 2 深度学习算法概述 10 2.1 神经网络简介 10 2.1.1 神经元结构 11 2.1.2 多层感知机结构 11 2.1.3 反向传播算法 12 2.2 卷积神经网络 13 2.2.1 卷积层结构 13 2.2.2 池化层结构 14 2.2.3 Dropout 层 15 2.2.4 常见分类网络 15 2.2.5 常见分割网络 17 2.3 图论 20 2.3.1 度量矩阵 21 2.3.2 邻接矩阵 21 2.3.3 拉普拉斯矩阵 22 2.4 本章小结 23 3 基于图卷积网络的田间杂草分类识别 24 3.1 引言 24 3.2 基于图卷积网络的杂草识别网络 24 3.2.1 特征提取 25 3.2.2 基于半监督GCN 的杂草识别 26 3.3 试验数据集 28 3.4 试验结果与分析 29 3.4.1 玉米杂草数据集试验结果 30 3.4.2 胡萝卜杂草数据集试验结果 33 3.4.3 生菜杂草数据集试验结果 33 3.4.4 混合数据集试验结果 34 3.4.5 CNN、GCN 试验对比 37 3.5 本章小结 37 4 基于Mask R-CNN 田间杂草分割的变量喷洒系统 39 4.1 引言 39 4.2 数据标注 39 4.3 Mask R-CNN 杂草检测分割模型 40 4.3.1 杂草CNN 特征提取 41 4.3.2 区域建议网路RPN 41 4.3.3 RoIAlign 层 42 4.3.4 输出模块 43 4.4 Mask R-CNN 杂草分割试验与性能评估 44 4.4.1 杂草分割试验 44 4.4.2 评估指标 44 4.5 试验结果与分析 44 4.5.1 杂草分割结果与分析 44 4.5.2 其他数据集验证 46 4.6 田间变量喷洒试验测试 48 4.6.1 单行植株多阀门喷洒 48 4.6.2 不同地段单行植株多阀门喷洒 49 4.6.3 多行植株多阀门喷洒 50 4.7 本章小结 54 5 总结与展望 56 5.1 本文总结 56 5.2 展望 57 参考文献 59 致谢 65 攻读硕士学位期间取得的成果 66 山东农业大学硕士专业学位论文 中文摘要 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