融合FPN的Faster R-CNN复杂背景下棉田杂草高效识别方法

TP274%TP391.41; 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...

Full description

Saved in:
Bibliographic Details
Published in农业工程学报 Vol. 35; no. 20; pp. 202 - 209
Main Authors 彭明霞, 夏俊芳, 彭辉
Format Journal Article
LanguageChinese
Published 华中农业大学信息学院,武汉,430070%华中农业大学工学院,武汉,430070 15.10.2019
Subjects
杂草识别
棉花
convolutional neural network
weed recognition
深度学习
cotton
machine vision
deep learning
卷积神经网络
机器视觉
图像识别
Faster R-CNN
image recognition
Online AccessGet full text

Cover

More Information
Summary:TP274%TP391.41; 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.
ISSN:1002-6819
DOI:10.11975/j.issn.1002-6819.2019.20.025