以識(shí)別玉米秧苗莖稈為目標(biāo),采用云臺(tái)搭載電荷耦合器件(CCD)相機(jī)獲得玉米秧苗圖像,采用Label Image插件制作了玉米秧苗的標(biāo)記與標(biāo)簽�；谏疃葘W(xué)習(xí)框架Tensor Flow搭建了多尺度分層特征的卷積神經(jīng)網(wǎng)絡(luò)模型,應(yīng)用4倍膨脹的單位卷積核,獲得了玉米秧苗圖像的識(shí)別模型,其識(shí)別準(zhǔn)確率為99. 65%。將已知玉米秧苗圖像劃分為最佳子塊,求取了各個(gè)子塊的最佳二值化閾值。選取6種雜草密度在每天5個(gè)時(shí)間段進(jìn)行為期3 d的試驗(yàn),共采集了10 800幅圖像。試驗(yàn)結(jié)果顯示,對玉米秧苗莖稈的平均識(shí)別準(zhǔn)確率為98. 93%,且光照條件與田間雜草密度對識(shí)別結(jié)果沒有顯著影響(P>0. 05)。

【文章頁數(shù)】：9 頁

【文章目錄】：
0 引言
1 材料與方法
    1.1 圖像采集與標(biāo)記
    1.2 多尺度分層特征提取與膨脹卷積
    1.3 圖像形態(tài)學(xué)處理
    1.4 試驗(yàn)設(shè)計(jì)
2 試驗(yàn)結(jié)果與分析
    2.1 玉米秧苗識(shí)別結(jié)果
    2.2 玉米秧苗莖稈識(shí)別結(jié)果
    2.3 算法優(yōu)勢與識(shí)別誤差分析
3 結(jié)論



本文編號(hào)：4041143