基于Faster R-CNN深度网络的油菜田间杂草识别方法

被引：36

作者：

张乐

金秀

傅雷扬

李绍稳

机构：

[1] 安徽农业大学信息与计算机学院智慧农业技术与装备安徽省重点实验室

来源：

激光与光电子学进展 | 2020年 / 02期

关键词：

机器视觉; 深度学习; Faster　R-CNN深度网络; 目标识别; 油菜与杂草图像;

D O I：

暂无

中图分类号：

S565.4 [油菜籽（芸薹）]; TP391.41 []; TP18 [人工智能理论]; S451 [杂草];

学科分类号：

0901 ; 080203 ; 081104 ; 0812 ; 0835 ; 1405 ; 0904 ;

摘要：

为自动识别油菜田间的杂草,提出基于Faster R-CNN深度网络的油菜田间杂草识别方法,利用COCO数据集的深度网络模型进行迁移训练。首先,以自然环境条件下的油菜与杂草图像为样本,利用Faster R-CNN深度网络模型共享卷积特征,对比VGG-16、ResNet-50和ResNet-101这3种特征提取网络的结果;该方法还与采用3种相同特征提取网络的SSD深度网络模型进行对比。结果表明,基于VGG-16的Faster R-CNN深度网络模型在油菜与杂草目标识别中具有明显的优势,其油菜与杂草的目标识别精确度可达83.90%,召回率达到78.86%,F1值为81.30%。该深度学习方法能够有效实现油菜与杂草目标的准确、高效识别,为多类型杂草目标识别的研究提供了参考。

引用

页码：304 / 312

页数：9

共 19 条

[11]

Using video processing to classify potato plant and three types of weed using hybrid of artificial neural network and partincle swarm algorithm[J] . Sajad Sabzi,Yousef Abbaspour-Gilandeh.Measurement . 2018

[12]

Evaluation of support vector machine and artificial neural networks in weed detection using shape features[J] . Adel Bakhshipour,Abdolabbas Jafari.Computers and Electronics in Agriculture . 2018

[13]

Spatial Pyramid Pooling in Deep Convolutional Networks for Visual Recognition .2 He K,Zhang X,Ren S.et al. IEEE Transactions on Pattern Analysis and Machine Inteligence . 2015

[14] 基于改进Faster R-CNN的空中目标检测 [J].