| 融合FPN的Faster R-CNN复杂背景下棉田杂草高效识别方法 |
| |
| 引用本文： | 彭明霞,夏俊芳,彭 辉. 融合FPN的Faster R-CNN复杂背景下棉田杂草高效识别方法[J]. 农业工程学报, 2019, 35(20): 202-209 |
| |
| 作者姓名： | 彭明霞 夏俊芳 彭 辉 |
| |
| 作者单位： | 1. 华中农业大学信息学院，武汉 430070;,2. 华中农业大学工学院，武汉 430070;,1. 华中农业大学信息学院，武汉 430070; |
| |
| 基金项目： | 国家重点专项项目（2017YFD0301303）；公益性行业（农业）科研专项项目（201503136） |
| |
| 摘 要： | 为实现田间条件下快速、准确识别棉花与杂草，该文以自然光照下田间棉花与杂草为研究对象，采用垂直向下拍摄的方式获取棉花杂草视频，按1帧/s的速率从视频中提取图像，在人工去除冗余度过多的图片后，建立1 000幅图片的数据集。对比了Faster R-CNN和YOLOv3 2种典型卷积神经网络，将Faster R-CNN卷积神经网络的深度学习模型引入到棉花杂草图像识别中，并提出一种结构优化的方法，使之适用于复杂背景下的棉田杂草识别。该文选用残差卷积网络提取图像特征，Max-pooling 为下采样方法，RPN网络中引入特征金字塔网络生成目标候选框，对卷积神经网络结构进行优化。在使用700幅图片进行训练后，通过200 幅田间棉花杂草图像识别测试，结果表明：该方法的平均目标识别准确率达95.5%，识别单幅图像的平均耗时为1.51 s，采用GPU 硬件加速后识别单幅图像的平均耗时缩短为0.09 s。优化后的Faster R-CNN卷积神经网络相对于YOLOv3平均正确率MAP高0.3以上。特别是对于小目标对象，其平均正确率之差接近0.6。所提方法对复杂背景下棉花杂草有较好的检测效果，可为精确除草提供参考。
|
| 关 键 词： | 棉花；卷积神经网络；机器视觉；深度学习；图像识别；杂草识别；Faster R-CNN |
| 收稿时间： | 2019-04-17 |
| 修稿时间： | 2019-09-24 |
Efficient recognition of cotton and weed in field based on Faster R-CNN by integrating FPN |
| |
| Peng Mingxi,Xia Junfang and Peng Hui. Efficient recognition of cotton and weed in field based on Faster R-CNN by integrating FPN[J]. Transactions of the Chinese Society of Agricultural Engineering, 2019, 35(20): 202-209 |
| |
| Authors: | Peng Mingxi Xia Junfang Peng Hui |
| |
| Affiliation: | 1. College of Informatics, Huazhong Agricultural University, Wuhan 4300070, China;,2. College of Engineering, Huazhong Agricultural University, Wuhan 4300070, China; and 1. College of Informatics, Huazhong Agricultural University, Wuhan 4300070, China; |
| |
| Abstract: | |
| |
| Keywords: | cotton convolutional neural network machine vision deep learning image recognition weed recognition Faster R-CNN |
|
| 点击此处可从《农业工程学报》浏览原始摘要信息 |
|
点击此处可从《农业工程学报》下载全文 |
