基于无人机低空遥感的水稻田间杂草分布图研究

S252+.3; [目的]获取水稻田的低空遥感图像并分析得到杂草分布图,为田间杂草精准施药提供参考.[方法]使用支持向量机(SVM)、K最近邻算法(KNN)和AdaBoost 3种机器学习算法,对经过颜色特征提取和主成分分析(PCA)降维后的无人机拍摄的水稻田杂草可见光图像进行分类比较;引入一种无需提取特征和降维、可自动获取图像特征的卷积神经网络(CNN),对水稻田杂草图像进行分类以提升分类精度.[结果]SVM、KNN和AdaBoost对测试集的测试运行时间分别为0.5004、2.2092和0.4111 s,分类精度分别达到89.75％、85.58％和90.25％,CNN对图像的分类精度达到9...

Full description

Saved in:
Bibliographic Details
Published in华南农业大学学报 Vol. 41; no. 6; pp. 67 - 74
Main Authors 朱圣, 邓继忠, 张亚莉, 杨畅, 严智威, 谢尧庆
Format Journal Article
LanguageChinese
Published 国家精准农业航空施药技术国际联合研究中心/华南农业大学 工程学院,广东 广州 510642 01.11.2020
Subjects
稻田杂草
无人机遥感
卷积神经网络
精准施药
机器学习算法
Online AccessGet full text
ISSN1001-411X
DOI10.7671/j.issn.1001-411X.202006058

Cover

More Information
Summary:S252+.3; [目的]获取水稻田的低空遥感图像并分析得到杂草分布图,为田间杂草精准施药提供参考.[方法]使用支持向量机(SVM)、K最近邻算法(KNN)和AdaBoost 3种机器学习算法,对经过颜色特征提取和主成分分析(PCA)降维后的无人机拍摄的水稻田杂草可见光图像进行分类比较;引入一种无需提取特征和降维、可自动获取图像特征的卷积神经网络(CNN),对水稻田杂草图像进行分类以提升分类精度.[结果]SVM、KNN和AdaBoost对测试集的测试运行时间分别为0.5004、2.2092和0.4111 s,分类精度分别达到89.75％、85.58％和90.25％,CNN对图像的分类精度达到92.41％,高于上述3种机器学习算法的分类精度.机器学习算法及CNN均能有效识别水稻和杂草,获取杂草的分布信息,生成水稻田间的杂草分布图.[结论]CNN对水稻田杂草的分类精度最高,生成的水稻田杂草分布图效果最好.
ISSN:1001-411X
DOI:10.7671/j.issn.1001-411X.202006058