深度学习在杂草识别领域的研究现状与展望

使用深度学习精准识别杂草实现使用农药减量、增效、安全的目标受到研究人员的广泛关注。因此综述近年来国内外使用深度学习算法对不同作物的杂草进行识别检测的研究进展,重点从数据获取、算法选择、优化部分、识别效果等方面总结研究现状,指出其在数据集建立费时费力、田间识别精度低、算法设备部署困难、实时性与准确率不能兼得等方面的问题,并提出解决方案,同时展望数据集建立简易和准确,算法模型结构轻量和鲁棒性强,便于部署移动设备的发展趋势以及未来应用的方法,为后续杂草精准化清除研究提供参考。     

农作物遥感识别与单产估算研究综述

遥感凭借其快速、宏观、无损及客观等特点,在快速获取与解析作物类型、种植面积、产量等信息方面具有独特优势。遥感提取和解译的作物空间分布图、种植面积、产量信息可以服务于农业资源监管、农业信息普查、农业保险、农业投资、精准农业等方面。本文分别就农作物遥感识别与农作物单产遥感估算的研究现状、面临的问题、潜在研究方向进行了总结概述。首先总结了农作物遥感识别特征与分类模型的研究现状,针对遥感识别特征与作物类型缺乏知识关联的核心问题,提出利用深度学习方法协同学习作物生长过程中的“时-空-谱”特征,并构建面向农作物遥感识别的知识图谱,从而解决当前农作物遥感识别在识别精度和识别效率方面的问题。然后,分别从经验统计模型、遥感光合模型、作物生长模型方面对当前作物单产遥感估算进行分析总结,提出随着高空间分辨率、高光谱分辨率、高时间分辨率数据的普及和深度学习技术发展,未来应充分利用作物生长模型机理性强、深度学习对复杂问题建模能力强的特点,使用作物生长模型进行点位尺度模拟以驱动深度学习完成复杂场景下的建模学习,最终实现以机理做约束、以深度学习做空间外推的单产估算模式。     

数据集对基于深度学习的作物病害识别有效性影响

基于深度学习的作物病害自动识别已成为农业信息化领域新的研究热点,为探究数据集的大小和质量对基于深度学习的作物病害识别有效性的影响,研究不同数据集训练得到的模型识别效果并进行了分析.以338张玉米病害数据集为例,对其进行数据增强、移除背景和细分割划分等处理,设计5个AlexNet框架的CNN网络模型并利用不同类型的数据集...     

基于卷积网络和哈希码的玉米田间杂草快速识别方法

为提高作物与杂草识别的准确性,结合深度卷积网络强大的特征提取能力和哈希码便于存储和快速检索的特点,提出了基于深度卷积网络和二进制哈希码的田间杂草快速识别方法。结合预训练好的多层卷积网络,增加二进制哈希层构建杂草识别模型,并利用所采集的杂草数据集对模型进行fine-tuning。所提出的二进制哈希层可有效地的将高维杂草特征进行压缩,以便于实际田间杂草特征的存储和后续计算。在进行杂草识别时,利用训练好的模型提取输入图像的全连接层特征码和哈希特征码,与数据库中的全连接层特征码和哈希特征码进行对比,分别计算其汉明距离与欧氏距离,找出与其最相似的K张图像,统计这K张图像的标签,将其归入频率最高的一类,以达到分类识别的目的。本文通过对比不同卷积层数和不同二进制哈希码长度对杂草识别的影响,最终确定了包含4层卷积网络和128位哈希码长度的杂草识别模型。试验结果表明所提出的研究方法在田间杂草识别上可以达到98.6%准确率,并且损失函数稳定性相较于普通模型有所提高。同时在其他杂草数据集上也有良好的表现,准确率达到95.8%,说明提出的方法具有通用性。经实地测试表明利用本文提出的模型识别杂草进行对靶喷雾可以达到92.7%的杂草施药率,能够有效减少农药浪费,适用于精准喷雾。     

基于轻量卷积结合特征信息融合的玉米幼苗与杂草识别

针对自然环境下作物与杂草识别精度低、实时性和鲁棒性差等问题,以幼苗期玉米及其伴生杂草为研究对象,提出一种基于轻量卷积神经网络结合特征层信息融合机制的改进单步多框检测器（Single shot multibox detector,SSD）模型。首先,采用深度可分离卷积结合压缩与激励网络（Squeeze and excitation networks,SENet）模块构建轻量特征提取单元,在此基础上通过密集化连接构成轻量化前置基础网络,替代标准SSD模型中的VGG16网络,以提高图像特征提取速度;然后,基于不同分类特征层融合机制,将扩展网络中深层语义信息与浅层细节信息进行融合,融合后的特征图具有足够的分辨率和更强的语义信息,可以提高对小尺寸作物与杂草的检测准确率。试验结果表明,本文提出的深度学习检测模型对自然环境下玉米及其伴生杂草的平均精度均值为88.27%、检测速度为32.26f/s、参数量为8.82×10.6,与标准SSD模型相比,精度提高了2.66个百分点,检测速度提高了33.86%,参数量降低了66.21%,同时对小尺寸目标以及作物与杂草叶片交叠情况的识别具有良好的鲁棒性与泛化能力。本文方法可为农业自动化精准除草提供技术支持。     

深度学习在农作物病害图像识别中的研究进展

农作物病害识别关乎作物的产量与质量,是智慧农业发展过程中必不可少的重要环节。随着深度学习技术在图像处理领域的飞速发展,利用深度学习从图像中识别出农作物患病类型的方法已逐渐成为主流。主要对基于深度学习的农作物病害识别方法进行综述,简要地介绍深度学习和卷积神经网络,收集一些常用的病害图像公开数据集。根据训练样本采集环境的不同,从实验室和野外两个方面概述近年来基于深度学习病害识别方法的进展,指出每种方法的优势与不足,总结出该研究领域存在数据量不足、任务难度大、深度学习模型网络结构复杂3个主要问题,并在此基础上进行展望,提出建立大规模、多种类、多类型病害数据库和设计高性能的深度学习模型是未来的重要发展方向。     

基于视觉的苗期作物株间除草关键技术研究现状

基于视觉的苗期作物和杂草的图像分割技术逐渐成熟,通过视觉技术对苗期作物进行精准识别和定位,是实现株间除草的关键技术和难点。作物的精准识别首先需要利用颜色特征将图像中的作物、杂草和土壤背景进行分割;其次利用实际识别对象的位置特征,形状特征,纹理特征,光谱特征等构造新的特征向量,结合成熟的分类算法对作物和杂草进行特征分类识别。针对棉苗和大豆苗,主要提取位置特征、形状特征,多采用支持向量机为主分类算法;针对玉米,主要提取位置特征、纹理特征,多采用人工神经网络为主的分类算法;针对部分蔬菜苗,主要提取形状特征、光谱特征,多采用算法结合的优化算法,具体实现时需要根据离线样本学习的结果来平衡苗期作物的识别准确率与实时性。在目前的算法中,主要存在三方面的问题:作物特征提取效果易受到遮挡、光照等干扰;分类算法目前还不能得到非常令人满意的准确性和实时性;目前算法一般是针对某种时段的作物,不具有通用性。这些都是后续算法研究中需要进一步解决的问题。     

机器学习在植物病害识别研究中的应用

植物病害识别是植物生长过程最重要也是最基本的环节,其既可以为高效除害提供最有力的依据,也可以减少一定的经济损失。随着信息技术的不断发展,在植物病害识别方面的研究工作已有一段历程,本文主要对机器学习技术在植物病害识别中的应用研究进行详细的综述。首先,通过调研植物病害问题的主要特征,明确植物病害识别研究中的识别任务;其次,阐述传统机器学习方法到深度学习的模式分类技术变迁,重点提出深度学习在植物病害识别中的应用优势;然后,调研机器学习在植物病害应用的相关研究文献,对文献所使用的模型、技术细节、数据来源、数据处理技术以及性能指标评价进行详细综述与对比,分析该领域研究存在的问题;最后,基于调研结果对植物病害识别的进一步研究展开讨论,同时对研究对象的特点与大规模数据集合的构建提出相关意见,在技术上提倡深度学习算法的使用,鼓励更加先进的模型尝试等建议。另外,还整理目前已经公开且可以下载使用的关于植物病害识别研究的数据库集合,为相关的研究提供便利。     

基于深度学习的作物长势监测和产量估测研究进展

作物长势是粮食产量估测与预测的主要信息源,随着高时空分辨率遥感数据的不断出现,遥感数据已呈现出明显的大数据特征,以深度学习为基础的作物长势监测和产量估测已成为指导农业生产的重要手段之一.本文通过总结深度学习模型样本以及模型结构的发展历程,概括了深度学习在区域尺度的研究现状,其中从样本构建和样本扩充两方面概述了模型样本,...     

麦田杂草的图像识别技术的研究

主要研究了麦田杂草的图像识别技术,设计了麦田杂草识别系统.该系统包括使用数码相机进行麦田图像数据的采集,实现对图像的预处理;绿色植物与土壤背景的分割包括图像的灰度化与格式转换和图像的二值化;作物与杂草的分割包括作物中心行的识别和作物行的滤除,最后获取杂草图像.在滤除作物行的过程中确定边界阈值时采用通过先计算手工标定的作物行宽度与计算机自动检测的作物行宽度之间的相对误差,然后选定合适的对应最小误差的作物行边界阈值的方法.该系统全程使用MATLAB语言编程,系统最终目的是根据杂草和作物分布的位置特征滤除作物行,识别出杂草.     

基于优化Faster R-CNN的棉花苗期杂草识别与定位

为解决棉花苗期杂草种类多、分布状态复杂,且与棉花幼苗伴生的杂草识别率低、鲁棒性差等问题,以自然条件下新疆棉田棉花幼苗期的7种常见杂草为研究对象,提出了一种基于优化Faster R-CNN和数据增强的杂草识别与定位方法。采集不同生长背景和天气条件下的杂草图像4694幅,对目标进行标注后,再对其进行数据增强;针对Faster R-CNN模型设计合适的锚尺度,对比VGG16、VGG19、ResNet50和ResNet101这4种特征提取网络的分类效果,选定VGG16作为最优特征提取网络,训练后得到可识别不同天气条件下的棉花幼苗与多种杂草的Faster R-CNN网络模型。试验表明,该模型可对杂草与棉花幼苗伴生、杂草分布稀疏或分布紧密且目标多等情况下的杂草进行有效识别与定位,优化后的模型对单幅图像平均识别时间为0.261s,平均识别精确率为94.21%。在相同训练样本、特征提取网络以及环境设置条件下,将本文方法与主流目标检测算法——YOLO算法和SSD算法进行对比,优化后的Faster R-CNN模型具有明显优势。将训练好的模型置于田间实际环境进行验证试验,识别过程对采集到的150幅有效图像进行了验证,平均识别精确率为88.67%,平均每幅图像耗时0.385s,说明本文方法具有一定的适用性和可推广性。     

机器学习在无人农场中的应用现状与展望

随着机器学习在生物信息、人脸识别等领域的成功应用,其也为无人农场的发展提供动力。首先阐述无人农场和机器学习的基础概念,同时分别在种植业和畜牧业两个方面对机器学习的应用进行分析,在种植业方面阐述其在田间杂草识别、作物病虫害检测、作物产量预测的应用,在畜牧业方面分析机器学习在鱼类、猪等牲畜的精准识别分类、鱼类的喂食决策系统以及鸡、牛的生产线预测方面的应用现状;提出机器学习存在训练样本难获取、难标记的问题,嵌入式芯片的性能缺陷,以及专业人才缺乏等劣势;应建立通用的无人农场数据库,研究可以预测动物的健康状况以及对动物的生长环境状况进行实时监测的专家系统,还应加强机器学习的嵌入式研究,以及结合5G、大数据、传感器等技术的机器学习将成为无人农场未来的研究方向。本文对机器学习在无人农场的应用现状、问题及展望进行总结叙述,期望为以后的进一步研究提供参考。     

基于图像处理多算法融合的杂草检测方法及试验

自动化除草是现代精确农业科学领域的研究热点。已有的自动化除草解决方案中普遍存在鲁棒性不强、过度依赖大量样本等问题,针对上述问题,本研究提出了基于图像处理多算法融合的田间杂草检测方法,设计了一套田间杂草自动识别算法。首先通过设置颜色空间的阈值从图像中分割土壤背景。然后采用面积阈值、模板匹配和饱和度阈值三种方法对作物和杂草进行分类。最后基于投票的方式,综合权衡上述三种方法,实现对作物和杂草的精准识别与定位。以大豆田间除草为对象进行了试验研究,结果表明,使用融合多图像处理算法的投票方法进行作物和杂草识别定位,杂草识别平均错误率为1.79%,识别精度达到98.21%。相较单一的面积阈值、模板匹配和饱和度阈值方法,基于投票权重识别杂草的精度平均提升5.71%。同时,针对复杂多变的农业场景,进行了存在雨滴和阴影干扰的鲁棒性测试,实现了90%以上的作物识别结果,表明本研究方法具有较好的适应性和鲁棒性。本研究算法可为智能移动机器人除草作业等智慧农业领域应用提供技术支持。     

基于图像处理的田间杂草识别研究进展与展望

杂草是导致农作物减产的一个重要因素,准确的识别是杂草治理的前提和基础,随着计算机和信息技术的进步,机器视觉和图像处理相结合成为了当前杂草检测和识别的主流方法。本文从图像的预处理、分割、特征提取和分类4个角度,详细介绍了当前国内外田间杂草识别的研究进展以及各种分割、提取、识别方法的优缺点。另外,针对目前田间杂草检测中存在的光照环境影响、叶片的遮挡和重叠以及分类器的优化等问题进行了分析和讨论,最后根据目前杂草识别的研究趋势提出了建议与展望。     

基于无人机高光谱的荒漠草原地物精简学习分类模型

荒漠草原植被稀疏、裸土细碎化分布对遥感数据空间分辨率和光谱分辨率的指标精度提出更高要求,目前应用于遥感场景的深度学习模型隐藏层较多、模型结构复杂,且采用经典深度学习模型未考虑遥感数据内在特点,导致模型训练普遍存在计算过度、耗时增加等问题。本文利用低空无人机（Unmanned aerial vehicle,UAV）遥感平台搭载高光谱成像光谱仪采集荒漠草原地物高光谱数据,发挥高空间分辨率与高光谱分辨率相结合的优势,并基于三维卷积神经网络（Three-dimensional convolutional network,3D-CNN）方法提出一种适合荒漠草原地物植被、裸土、标记物识别的精简学习分类模型,进行参数组合调优,在调整学习率、批量规模、卷积核尺寸及数量后,最高总体分类精度（Overall accuracy,OA）可达到99.746%。研究结果表明,精简学习分类模型的优化建立在超参数选择基础上,为获得精度高、耗时短、性能稳定的最优模型,需不断调整超参数并对比不同组合分类效果。基于无人机高光谱技术的精简学习分类模型在荒漠草原地物的分类识别应用中具有较大优势。     

基于深度学习的害虫识别技术综述

在虫情监测和害虫防范治理过程中,准确识别害虫是有效解决农业领域虫害问题的重要前提。依靠专家知识和人工经验进行虫情诊断的方式效率较为低下,自动化和智能化水平较差,而采用深度学习、计算机视觉等智能化技术手段可以大幅度提升害虫识别过程的效率、准确度,并降低人工成本。概述了基于深度学习的害虫识别技术发展现状,分析深度学习技术在害虫图像识别领域的实现原理和优势,阐述国内外专家学者在基于深度学习的害虫识别技术领域的最新研究进展,提出该技术领域面临的挑战,并对发展方向进行预测。该文可为深入开展害虫识别和分类技术在智慧农业上的应用研究提供参考。      

基于深度学习的农作物病害识别系统研发

针对广大农户和基层植保人员对作物病害识别困难的问题,以苹果、玉米、葡萄和番茄4种作物18种病害为研究对象,采用VGG16和Resnet50建立识别模型。通过数据预处理、数据增强、模型参数优化、模型交叉验证等,构建单作物多病害识别和多作物多病害识别模型。性能对比结果表明VGG16识别性能优于Resnet50,VGG16模型的识别正确率都达到96%以上。对VGG16识别模型分析后发现根据作物发病特点建立的单作物多病害识别模型性能更好。因此,本文提出分类建立单作物多病害识别模型的方法,结合智能手机、Web技术和网络编程技术,研发一个农作物病害智能识别系统。本系统可为用户提供精确的识别结果、病害知识和防治方法。系统的Socket网络服务可作为独立模块,为农业机器人、智能农机、无人机、农业专家系统等提供统一的作物病害识别接口。本研究可为农业植保信息化和智能化提供技术支撑。     

一种基于DSP的杂草图像分割方法

0引言 大面积喷洒农药不仅造成了农药的大量浪费，而且严重地污染了环境，同时，农药在作物中的残留威胁着人类的健康生活。因此，利用机器视觉识别出杂草并实现农药自动喷洒的定量定点化成为精细农业研究的重点。其中，将作物和杂草从数字图像中快速准确地分离出来，对后续杂草识别处理以及实现定量定点喷洒农药具有重要意义。     

基于农作物病害检测与识别的卷积神经网络模型研究进展

农作物病害的精准检测与识别是推动农业生产智能化与现代化发展的重要举措。随着计算机视觉技术的发展,深度学习方法已得到快速应用,利用卷积神经网络进行农作物病害检测与识别成为近年来研究的热点。基于传统农作物病害识别方法,分析传统方法的弊端所在;立足于农作物病害检测与识别的卷积神经网络模型结构,结合卷积神经网络模型发展和优化历程,针对卷积神经网络在农作物病害检测与识别的具体应用进行分类,从基于公开数据集和自建数据集的农作物病害分类识别、基于双阶段目标检测和单阶段目标检测的农作物病害目标检测以及国外和国内的农作物病害严重程度评估3个方面,对各类卷积神经网络模型研究进展进行综述,对其性能做了对比分析,指出了基于农作物病害检测与识别的卷积神经网络模型当前存在的问题有：公开数据集上识别效果良好的网络模型在自建复杂背景下的数据集上识别效果不理想;基于双阶段目标检测的农作物病害检测算法实时性差,不适于小目标的检测;基于单阶段目标检测的农作物病害检测算法在复杂背景下检测精度较低;复杂大田环境中农作物病害程度评估模型的精度较低。最后对未来研究方向进行了展望：如何获取高质量的农作物病害数据集;如何提升网络的泛化性能;如何提升大田环境中农作物监测性能;如何进行大面积植株受病的范围定位、病害严重程度的评估以及单枝植株的病害预警。     

果实目标深度学习识别技术研究进展

机器视觉技术是果实目标识别与定位研究的关键。传统的目标识别算法准确率较低、检测速度较慢,难以满足实际生产的需求。近年来,深度学习方法在果实目标识别与定位任务中表现出了优良的性能。本文从数据集制备与果实目标识别模型两方面进行综述,总结了数据集制备相关的有监督、半监督和无监督3种方法的特点,按照深度学习算法的发展历程,归纳了基于深度学习的果实目标检测和分割技术的常用方法及其实际应用,轻量化模型的研究进展及其应用情况,基于深度学习的果实目标识别技术面临的问题和挑战。最后指出基于深度学习的果实目标识别方法未来发展趋势为：通过弱监督学习来降低模型对数据标签的依赖性,提高轻量化模型的检测速度以实现果实目标的实时准确检测。