基于卷积神经网络的水稻田杂草识别技术研究.pdfVIP

摘要

摘要

随着现代农业的不断发展，精准化除草已成为行业的重点需求，但复杂田间

环境制约了该技术的发展，目前的杂草识别技术无法精确检测行株间杂草。本文

基于YOLOV5、烟花爆炸和GoogLeNet的算法技术，以幼苗期至分蘖期的水稻

和九种杂草为研究对象。通过预处理（包括图像增强、灰度化和中值滤波）、特

征提取（包括颜色特征、形态特征和纹理特征）和特征融合，建立卷积神经网络

识别模型，对比各算法的水稻和杂草识别率。主要研究内容如下：

（1）构建实地样本数据集及图像预处理

本文样本采集于江苏省淮海农场水稻试验田，拍摄了11966张田间图像，搭

建了目标识别试验装置；通过对数据集进行标注、图像增强、图像灰度化及图像

滤波的预处理方式加强数据集的可读性，建立了包含9种杂草和水稻的混合图像

数据集，并将数据集扩充至24313张，以达到大样本数据集的要求。

（2）基于多特征的特征融合探究与迁移学习

利用HSV系统，划分色值区间维度，提取了水稻和杂草的一阶、二阶和三

8-

阶颜色矩特征参数值；利用几何学的形态特征，采用邻域边界跟踪法，提取了

绝对值特征和无量纲相对值特征参数值；利用灰度共生矩阵，以sobel算子操作，

进行灰度与梯度归一变换，提取了能量、惯性、混合熵特征参数值；对比水稻和

杂草在颜色、形态和纹理上的特征参数值，分析出水稻和九种杂草的具体区别差

异性；基于SVM和D-S证据理论，对单一特征进行初步识别，根据分类决策规

则确定融合识别结果，并建立了水稻田杂草识别迁移学习模型。

3

（）三种典型神经网络算法的对比试验与验证

本文为验证模型识别效果，在YOLOV5算法输入端采用了Mosaic数据增

强技术，在烟花爆炸算法构建二维质心坐标数据集合，通过Matlab软件进行横

向分割，在GoogLeNet中改进浅、中层的Inception结构，引入Leaky-ReLU激

活函数改进深层的Inception结构，按照识别准确率、识别速度、模型大小优先

级顺序对模型综合评估，得出识别准确率最高和识别速度最快的算法模型。经过

选取数据集，与预训练模型前的模型准确率进行对比，验证特征参数提取和融合

的可靠性。

本研究基于卷积神经网络的水稻田杂草识别技术，通过特征参数提取、融合

和迁移学习，对比了YOLOV5、烟花爆炸和GoogLeNet模型的杂草识别准确率

和速度，在验证集上的准确率分别可达到96.7%，94.2%，95.9%，提高了模型的

识别准确率和泛化能力，为智慧农业的发展和应用提供了有益的参考。

关键词：神经网络，稻田杂草，特征融合，识别技术

I

Abstract

Abstract

Withthecontinuousdevelopmentofmodernagriculture,precisionweedinghas

becomethekeydemandoftheindustry,butthecomplexfieldenvironmentrestricts

thedevelopmentofthistechnology.Thecurrentweedidentificationtechnologycan

notaccuratelydetectinter-rowweeds.BasedonthealgorithmtechnologyofYOLO

V5,fireworksexplosionandGoogLeNet,thispapertakesriceandnineweedsfrom

seedlingstagetotilleringstageastheresearchobject.Throughpreprocessing