農(nóng)田雜草是影響農(nóng)作物生長的主要因素之一,農(nóng)田雜草檢測與分布密度制圖對于實現(xiàn)農(nóng)田雜草的精準(zhǔn)防治有著十分重要的意義。為實現(xiàn)農(nóng)田大面積噴藥向精準(zhǔn)噴藥的轉(zhuǎn)變,需要快速高效地檢測農(nóng)田中雜草的分布位置、種類和密度情況。無人機(jī)的高機(jī)動性和靈活性結(jié)合深度學(xué)習(xí)算法成為農(nóng)田雜草分布密度檢測的一種新興手段。本文基于大疆無人機(jī)平臺和Android移動設(shè)備設(shè)計開發(fā)了一套面向農(nóng)田雜草識別與分布密度制圖系統(tǒng)。該系統(tǒng)基于深度學(xué)習(xí)模型實現(xiàn)農(nóng)田雜草種類識別,并通過圖像坐標(biāo)系與世界坐標(biāo)系的轉(zhuǎn)換確定雜草的空間位置,最后通過Android移動設(shè)備對無人機(jī)飛行控制、無人機(jī)飛行信息顯示、圖像數(shù)據(jù)顯示和生成雜草分布密度圖等方法進(jìn)行集成測試。論文的主要研究工作和成果如下:（1）基于優(yōu)化YOLOv3-Tiny雜草目標(biāo)檢測算法研究。通過對比Faster R-CNN、YOLO、SSD等目標(biāo)檢測算法對雜草目標(biāo)檢測的優(yōu)缺點(diǎn),以YOLOv3-Tiny為基礎(chǔ)網(wǎng)絡(luò),使用殘差連接的方式用殘差塊代替YOLOv3-Tiny的主干網(wǎng)絡(luò)。訓(xùn)練禾本科和闊葉類兩類雜草得到雜草目標(biāo)檢測模型,選擇m AP最高的模型以F-Measure為評價標(biāo)準(zhǔn),評價其準(zhǔn)確率、召回率、... 

【文章來源】：西北農(nóng)林科技大學(xué)陜西省 211工程院校 985工程院校 教育部直屬院校

【文章頁數(shù)】：72 頁

【學(xué)位級別】：碩士

【部分圖文】：

大疆無人機(jī)Fig.2-1DJIUAV

緗峁垢叢?度、計算量和在移動設(shè)備上的運(yùn)行效率，選擇模型復(fù)雜度低、運(yùn)算速度快、準(zhǔn)確率高的目標(biāo)檢測算法在移動端部署。2.1雜草檢測試驗設(shè)計與數(shù)據(jù)預(yù)處理2.1.1數(shù)據(jù)采集無人機(jī)平臺的選擇對數(shù)據(jù)采集和后續(xù)雜草識別及定位至關(guān)重要，無人機(jī)需支持二次開發(fā)實現(xiàn)圖像傳輸、飛行控制等。市場上的品牌無人機(jī)和組裝無人機(jī)多種多樣，比如深圳市大疆創(chuàng)新科技有限公司生產(chǎn)的大疆無人機(jī)，派諾特有限公司生產(chǎn)的Parrot無人機(jī)，深圳一電科技有限公司生產(chǎn)的AEE無人機(jī)，以及多種基于開源飛控的組裝機(jī)。表2-1為大疆無人機(jī)（圖2-1）和Parrot（圖2-2）無人機(jī)開發(fā)對比，大疆無人機(jī)面向開發(fā)者提供了二次開發(fā)接口。在同系列的無人機(jī)之間較容易的實現(xiàn)功能遷移，同時大疆無人機(jī)搭載了高清相機(jī)和多種傳感器。符合本系統(tǒng)開發(fā)的要求。本文以大疆無人機(jī)為平臺進(jìn)行開發(fā)。表2-2為大疆無人機(jī)部分參數(shù)。圖2-1大疆無人機(jī)Fig.2-1DJIUAV圖2-2派諾特?zé)o人機(jī)Fig.2-2ParrotUAV根據(jù)無人機(jī)功能性需求分析，在大疆無人機(jī)和Android移動端的基礎(chǔ)上進(jìn)行無人機(jī)飛行控制、雜草位置檢測功能和雜草位置定位等功能等進(jìn)行二次開發(fā)。實現(xiàn)面向農(nóng)

西北農(nóng)林科技大學(xué)碩士學(xué)位論文14集用于訓(xùn)練模型，生成權(quán)重值；驗證集在訓(xùn)練過程中驗證權(quán)重，調(diào)節(jié)模型的權(quán)重；測試集測試訓(xùn)練的模型準(zhǔn)確率、召回率、檢測速度等。圖2-4標(biāo)注圖像Fig.2-4Annotateimage表2-4雜草目標(biāo)檢測算法比較Table2-4Comparisonofweedtargetdetectionalgorithms雜草檢測算法類型迭代次數(shù)基于區(qū)域建議的雜草檢測網(wǎng)絡(luò)FasterR-CNN100000基于回歸的雜草檢測網(wǎng)絡(luò)SSD100000YOLO1000002.2雜草目標(biāo)檢測算法比較2.2.1目標(biāo)檢測的深度學(xué)習(xí)典型網(wǎng)絡(luò)（1）基于區(qū)域建議的目標(biāo)檢測算法（a）R-CNN算法，R-CNN（Girshicketal.2013）是首個將深度學(xué)習(xí)應(yīng)用到目標(biāo)檢測上的算法，是基于選擇性搜索、卷積神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)實現(xiàn)的目標(biāo)檢測算法。R-CNN首先使用選擇性搜索算法在輸入圖像上根據(jù)邊緣信息、顏色信息、邊緣紋理等可能存在的目標(biāo)提取1k-2k個候選區(qū)域。再利用深度卷積網(wǎng)絡(luò)對候選區(qū)域進(jìn)行深層次特征提取，然后訓(xùn)練SVM分類器對提取的深度特征進(jìn)行分類，最后對邊界框使用回歸算法重新標(biāo)定，算法流程如圖2-5（a）所示。（b）FastR-CNN，為了改進(jìn)R-CNN算法訓(xùn)練、測試時間長、訓(xùn)練所需空間大的缺點(diǎn)，Ross（2015）提出了FastR-CNN算法，F(xiàn)astR-CNN是在SPPNet即空間金字塔池化卷積網(wǎng)絡(luò)上進(jìn)行了改進(jìn)（Heetal.2015）。SPPnet將卷積網(wǎng)絡(luò)輸入圖像的固定尺寸改為任意尺寸。在普通的卷積神經(jīng)網(wǎng)絡(luò)中，輸入的圖像尺寸往往是固定的，這需要在向卷積網(wǎng)絡(luò)輸入檢測圖像之前，需要先進(jìn)行一系列的變化，對圖像進(jìn)行縮放或者裁剪等，圖像經(jīng)過縮放或者裁剪后，會丟失一部分特征，導(dǎo)致識別精度降低。SPPnet在普通的卷積網(wǎng)絡(luò)中添加了感興趣區(qū)域池化層，感興趣區(qū)域池化層的添加，使得輸入卷積網(wǎng)絡(luò)的圖像可以是任意大小，輸出是一個維數(shù)固定的向量。SPPnet算法?

【參考文獻(xiàn)】：
期刊論文
[1]鄖西縣小麥田間雜草種類調(diào)查與防控措施[J]. 寇章貴,裴立志,李典軍,劉保琴,徐曉斌.  湖北植保. 2019(05)
[2]小麥闊葉雜草除草劑防效對比試驗[J]. 蘇娟娟,景東林.  農(nóng)業(yè)科技通訊. 2019(02)
[3]通用處方農(nóng)作嵌入式GIS信息處理系統(tǒng)的研制[J]. 劉子文,劉青山.  農(nóng)業(yè)裝備技術(shù). 2019(01)
[4]變量噴藥技術(shù)的應(yīng)用現(xiàn)狀與發(fā)展[J]. 牛叢,徐麗明,馬帥,于暢暢,袁全春,段壯壯,邢潔潔,陳晨.  農(nóng)業(yè)裝備與車輛工程. 2018(12)
[5]基于嵌入式的農(nóng)業(yè)無人機(jī)航點(diǎn)規(guī)劃算法研究[J]. 洪向共,張心馳.  農(nóng)機(jī)化研究. 2019(08)
[6]基于Android系統(tǒng)的App界面設(shè)計[J]. 曲萍.  科技創(chuàng)新與應(yīng)用. 2018(22)
[7]一種基于深度學(xué)習(xí)的禁飛區(qū)無人機(jī)目標(biāo)識別方法[J]. 虞曉霞,劉智,耿振野,陳思銳.  長春理工大學(xué)學(xué)報(自然科學(xué)版). 2018(03)
[8]Android系統(tǒng)架構(gòu)及關(guān)鍵移植技術(shù)研究的初步探討[J]. 陳露軍.  福建電腦. 2018(05)
[9]基于卷積神經(jīng)網(wǎng)絡(luò)提取多尺度分層特征識別玉米雜草[J]. 王璨,武新慧,李志偉.  農(nóng)業(yè)工程學(xué)報. 2018(05)
[10]基于深度學(xué)習(xí)的大棚及地膜農(nóng)田無人機(jī)航拍監(jiān)測方法[J]. 孫鈺,韓京冶,陳志泊,史明昌,付紅萍,楊猛.  農(nóng)業(yè)機(jī)械學(xué)報. 2018(02)

博士論文
[1]基于數(shù)字圖像處理的玉米苗期田間雜草的識別研究[D]. 吳蘭蘭.華中農(nóng)業(yè)大學(xué) 2010
[2]基于機(jī)器視覺的作物對行噴藥控制系統(tǒng)研究[D]. 饒洪輝.南京農(nóng)業(yè)大學(xué) 2006

碩士論文
[1]變量噴藥控制系統(tǒng)的研究與實現(xiàn)[D]. 包佳林.吉林農(nóng)業(yè)大學(xué) 2017
[2]利用顏色和形狀特征的雜草識別方法研究[D]. 談蓉蓉.江蘇大學(xué) 2009



本文編號：3607799