基于深度学习与图像处理的玉米茎秆识别方法与试验

被引：26

作者：

刘慧力 ^{[1
]}

贾洪雷 ^{[1
,2
]}

王刚 ^{[1
,3
]}

GLATZEL Stephan ^{[3
]}

袁洪方 ^{[1
]}

黄东岩 ^{[1
,2
]}

机构：

[1] 吉林大学生物与农业工程学院

[2] 吉林大学工程仿生教育部重点实验室

[3] 维也纳大学地理与区域研究系

来源：

农业机械学报 | 2020年 / 51卷 / 04期

基金：

国家重点研发计划;

关键词：

玉米秧苗; 茎秆识别; 深度学习; 膨胀卷积; 图像处理;

D O I：

暂无

中图分类号：

TP391.41 []; TP18 [人工智能理论]; S513 [玉米（玉蜀黍）];

学科分类号：

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

摘要：

以识别玉米秧苗茎秆为目标,采用云台搭载电荷耦合器件(CCD)相机获得玉米秧苗图像,采用Label Image插件制作了玉米秧苗的标记与标签。基于深度学习框架Tensor Flow搭建了多尺度分层特征的卷积神经网络模型,应用4倍膨胀的单位卷积核,获得了玉米秧苗图像的识别模型,其识别准确率为99. 65%。将已知玉米秧苗图像划分为最佳子块,求取了各个子块的最佳二值化阈值。选取6种杂草密度在每天5个时间段进行为期3 d的试验,共采集了10 800幅图像。试验结果显示,对玉米秧苗茎秆的平均识别准确率为98. 93%,且光照条件与田间杂草密度对识别结果没有显著影响(P>0. 05)。

引用

页码：207 / 215

页数：9

共 19 条

[1] 基于深度学习的农作物病虫害图像识别技术研究进展 [J].