论文部分内容阅读
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影响会减产20%以上。传统的大面积全淋式农药除草方式,不能针对杂草按需施药,易造成农药大量浪费、生产成本较高、环境污染严重等问题,从而影响了玉米的产量和品质。为解决上述问题,需进行玉米杂草精准变量施药。杂草的精准识别检测是实现杂草变量喷洒的首要前提,本文针对田间复杂环境下杂草识别精度低的问题,选择玉米及其伴生杂草为研究对象,结合深度学习和卷积神经网络特征提取的特点,利用图卷积网络的特征传播能力,以提高杂草的识别、定位、分割准确率为目标,展开了基于深度学习的玉米田间杂草识别与分割技术研究,为后续玉米田间杂草的精准防控提供理论依据和技术支撑。主要研究内容如下:(1)研究了一种基于CNN和GCN的田间杂草识别网络。本网络使用CNN提取杂草图像样本特征,根据杂草特征基于欧氏距离构建图模型,使用拉普拉斯变换优化图模型,利用GCN图谱卷积进行特征传播,将融合特征放入分类器,实现杂草的分类识别。在玉米、生菜、胡萝卜三类杂草数据集上的分类准确率分别为97.8%、99.37%、98.93%。(2)基于Mask R-CNN方法构建了杂草分割模型。该模型结合Faster R-CNN目标检测和FCN语义分割,首先使用ResNet-101网络提取杂草的图像特征图,利用RPN(Region Proposal Network)提取区域坐标特征,再利用RoIAlign层得到固定大小的特征图,使用输出模块对特征图进行分类回归分割计算,完成杂草的具体方位、类别及轮廓的计算。在IoU为0.5时,本模型在玉米杂草数据集上mAP为0.853,优于SharpMask、DeepMask的0.816、0.795。为了测试基于Mask R-CNN的杂草分割模型在玉米田间的分割效果,使用该模型在数据集上进行测试,该模型的mAP值为0.785,可实现玉米田间的杂草分割。(3)构建了基于Mask R-CNN田间杂草分割的变量喷洒系统。该系统通过摄像头获取杂草图像,基于Mask R-CNN分割模型计算杂草的位置、标签和像素,由微处理器根据计算结果,通过PWM占空比调节电磁阀开度及开启时间,对杂草进行变量喷洒。在田间变量喷洒试验中,杂草的识别率为91%,识别出杂草并准确喷洒的准确率为85%,准确喷洒的杂草农药雾滴覆盖密度为55个/cm~2。可满足除草剂变量喷洒的控制要求。