|本期目录/Table of Contents|

[1]李彧,余心杰,郭俊先.基于全卷积神经网络方法的玉米田间杂草识别[J].江苏农业科学,2022,50(6):93-100.
　Li Yu,et al.Weed recognition in corn field based on fully convolutional neural network (FCN) method[J].Jiangsu Agricultural Sciences,2022,50(6):93-100.
点击复制

基于全卷积神经网络方法的玉米田间杂草识别(PDF)
分享到：

《江苏农业科学》[ISSN:1002-1302/CN:32-1214/S]

卷:
第50卷
期数:
2022年第6期
页码:
93-100
栏目:
植物保护
出版日期:
2022-03-20

文章信息/Info

Title:
Weed recognition in corn field based on fully convolutional neural network (FCN) method
作者:
李彧1;  余心杰2;  郭俊先1
1.新疆农业大学机电工程学院，新疆乌鲁木齐 830052； 2.浙江大学宁波理工学院，浙江宁波 315100
Author(s):
Li Yu; et al
关键词:
杂草识别; 全卷积神经网络; 深度学习; 语义分割; U-Net模型; VGG
Keywords:
-
分类号:
S126；TP391.41
DOI:
-
文献标志码:
A
摘要:
〗杂草是危害农业和林业生产的三害之一，对农业生产、生态环境、生物多样性等均会造成一定的危害。要解决杂草问题首先需要对杂草实现高效准确的识别，通过拍摄新疆旱地玉米大苗田间图像构建数据集，提取玉米苗与杂草2类标签，使用全卷积神经网络(FCN)准确地分割2类目标实现杂草识别。利用图像翻转、镜像、对比度增强、亮度增强等4种增广方法扩增数据集，利用迁移学习技巧，对模型采取非初始参数训练，提升模型识别准确率。结果表明，选择的U-Net模型识别效果最佳，能够有效地克服阴天光照、地膜等因素干扰，实现杂草的快速准确识别，验证集识别正确率96.13%，能够满足杂草识别的实际要求。
Abstract:
-

参考文献/References:

［1］黄红娟，张朝贤，姜翠兰，等. 北疆棉田杂草多样性及群落组成［J］. 杂草学报，2020，38(1)：7-13.
［2］付瑞霞，王俊平，董立尧. 防除稻麦连作小麦田主要杂草的高活性除草剂室内筛选［J］. 杂草学报，2020，38(1)：68-73.
［3］郭云忠，胡杰，李思娟，等. 陕西关中灌区麦田杂草发生规律及防治指标［J］. 杂草学报，2021，39(1)：38-42.
［4］毛文华，王一鸣，张小超，等. 基于机器视觉的田间杂草识别技术研究进展［J］. 农业工程学报，2004，20(5)：43-46.
［5］颜秉忠. 机器视觉技术在玉米苗期杂草识别中的应用［J］. 农机化研究，2018，40(3)：212-216.
［6］Lottes P，Hrferlin M，Sander S，et al. Effective vision-based classification for separating sugar beets and weeds for precision farming［J］. Journal of Field Robotics，2017，34(6)：1160-1178.
［7］Peteinatos G G，Reichel P，Karouta J，et al. Weed identification in maize，sunflower，and potatoes with the aid of convolutional neural networks［J］. Remote Sensing.2020，12(24)：4185-4185
［8］Wang Z B，Li H L，Zhu Y，et al. Review of plant identification based on image processing［J］. Archives of Computational Methods in Engineering，2017，24(3)：637-654.
［9］Rojas C P，Guzmán L S，Toledo N F V. Weed recognition by SVM texture feature classification in outdoor vegetable crops images［J］. Ingeniería e Investigación，2017，37(1)：68.
［10］张新明，涂强，冯梦清. 基于改进概率神经网络的玉米与杂草识别［J］. 山西大学学报(自然科学版)，2015，38(3)：432-438.
［11］袁洪波，赵努东，程曼. 基于图像处理的田间杂草识别研究进展与展望［J］. 农业机械学报，2020，51(增刊2)：323-334.
［12］齐秀杰. 探讨水稻病虫害防治技术与对策［J］. 农民致富之友，2019(5)：66.
［13］郑加强，徐幼林. 环境友好型农药喷施机械研究进展与展望［J］. 农业机械学报，2021，52(3)：1-16.
［14］寇思荣. 甘肃省玉米产业现状及玉米育种方向探讨［J］. 甘肃科技，2018，34(4)：6-8.
［15］高立强，杨家荣，张彦龙，等. 几种除草剂减量施用防除玉米田杂草的效果［J］. 杂草学报，2020，38(4)：31-38.
［16］齐飞，朱明，周新群，等. 农业工程与中国农业现代化相互关系分析［J］. 农业工程学报，2015，31(1)：1-10.
［17］刘金浩，王春燕，王宇航，等. 带农作物识别功能的无人机农药喷洒系统的研究［J］. 农业灾害研究，2020，10(7)：185-186.
［18］Shelhamer E，Long J，Darrell T.Fully convolutional networks for semantic segmentation［J］. IEEE Transactions on Pattern Analysis and Machine Intelligence，2017，39(4)：640-651.
［19］Zeiler M D，Taylor G W，Fergus R.Adaptive deconvolutional networks for mid and high level feature learning［C］//2011 International Conference on Computer Vision，November 6-13，2011，Barcelona：IEEE，2011：2018-2025.
［20］Mane D T，Kulkarni U V. Visualizing and understanding customized convolutional neural network for recognition of handwritten marathi numerals［J］. Procedia Computer Science，2018，132：1123-1137.
［21］Chollet F. Deep learning with Python［M］. 张亮，译. 北京：人民邮电出版社，2018：110-111.
［22］Simonyan K，Zisserman A.Very deep convolutional networks for large-scale image recognition［J］. Computer Science，2014，36(v1)：1409-1425.
［23］Dolz J，Ben Ayed I，Desrosiers C.Dense multi-path U-net for ischemic stroke lesion segmentation in multiple image modalities［M］//Brainlesion：glioma，multiple sclerosis，stroke and traumatic brain injuries. Cham：Springer International Publishing，2019：271-282.
［24］余心杰，王昊，李彧，等. 一种基于全卷积神经网络的对虾养殖残饵计数方法：CN110826592A［P］. 2020-02-21.
［25］王琛，徐维超. 人脸识别准确率与图像参数关系比较分析［J］. 电子世界，2019(5)：89-91.

相似文献/References:

[1]胡盈盈,王瑞燕,郭鹏涛,等.基于近地光谱特征的玉米田间杂草识别研究[J].江苏农业科学,2020,48(8):242.
　Hu Yingying,et al.Recognition of weeds in maize fields based on near-earth spectrum characteristics[J].Jiangsu Agricultural Sciences,2020,48(6):242.
[2]徐聪,王旭启,刘裕.一种改进可形变FCN的农作物害虫检测方法[J].江苏农业科学,2022,50(9):211.
　Xu Cong,et al.An improved deformable FCN method for detection of field crop pest[J].Jiangsu Agricultural Sciences,2022,50(6):211.
[3]杨德龙,李婧.基于注意力与小平方核的ConvNeXt农业杂草识别方法[J].江苏农业科学,2024,52(14):207.
　Yang Delong,et al.ConvNeXt agricultural weed recognition method based on attention and small square kernel[J].Jiangsu Agricultural Sciences,2024,52(6):207.
[4]高发瑞,古华宁,张巧玲,等.基于农业大数据和深度学习的稻田杂草识别[J].江苏农业科学,2024,52(18):215.
　Gao Farui,et al.Identification of weeds in rice field based on agricultural big data and deep learning[J].Jiangsu Agricultural Sciences,2024,52(6):215.
[5]黄友锐,王小桥,韩涛,等.基于改进YOLO v8n的甜菜杂草检测算法研究[J].江苏农业科学,2024,52(24):196.
　Huang Yourui,et al.A detection method for sugar beets and weeds based on improved YOLO v8n algorithm[J].Jiangsu Agricultural Sciences,2024,52(6):196.

备注/Memo

备注/Memo:
收稿日期：2021-07-07
基金项目：国家自然科学基金面上项目(编号：61367001)；新疆维吾尔自治区研究生教育创新计划科研创新项目(编号：XJ2019G165)；新疆维吾尔自治区教育厅自然科学重点项目(编号：XJEDU2020I009)。
作者简介：李彧(1995—)，男，河北保定人，硕士研究生，研究方向为农业无损检测。E-mail：lxy13109995416@163.com。
通信作者：郭俊先，博士，教授，研究方向为农业无损检测。E-mail：junxianguo@163.com。
更新日期/Last Update: 2022-03-20