玉米作為我國(guó)的重要糧食產(chǎn)物,受草害影響極為嚴(yán)重,在極端條件下玉米因雜草影響會(huì)減產(chǎn)20%以上。傳統(tǒng)的大面積全淋式農(nóng)藥除草方式,不能針對(duì)雜草按需施藥,易造成農(nóng)藥大量浪費(fèi)、生產(chǎn)成本較高、環(huán)境污染嚴(yán)重等問題,從而影響了玉米的產(chǎn)量和品質(zhì)。為解決上述問題,需進(jìn)行玉米雜草精準(zhǔn)變量施藥。雜草的精準(zhǔn)識(shí)別檢測(cè)是實(shí)現(xiàn)雜草變量噴灑的首要前提,本文針對(duì)田間復(fù)雜環(huán)境下雜草識(shí)別精度低的問題,選擇玉米及其伴生雜草為研究對(duì)象,結(jié)合深度學(xué)習(xí)和卷積神經(jīng)網(wǎng)絡(luò)特征提取的特點(diǎn),利用圖卷積網(wǎng)絡(luò)的特征傳播能力,以提高雜草的識(shí)別、定位、分割準(zhǔn)確率為目標(biāo),展開了基于深度學(xué)習(xí)的玉米田間雜草識(shí)別與分割技術(shù)研究,為后續(xù)玉米田間雜草的精準(zhǔn)防控提供理論依據(jù)和技術(shù)支撐。主要研究?jī)?nèi)容如下:(1)研究了一種基于CNN和GCN的田間雜草識(shí)別網(wǎng)絡(luò)。本網(wǎng)絡(luò)使用CNN提取雜草圖像樣本特征,根據(jù)雜草特征基于歐氏距離構(gòu)建圖模型,使用拉普拉斯變換優(yōu)化圖模型,利用GCN圖譜卷積進(jìn)行特征傳播,將融合特征放入分類器,實(shí)現(xiàn)雜草的分類識(shí)別。在玉米、生菜、胡蘿卜三類雜草數(shù)據(jù)集上的分類準(zhǔn)確率分別為97.8%、99.37%、98.93%。(2)基于Mask R-CNN方法構(gòu)建了雜草...

【文章頁(yè)數(shù)】：77 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
符號(hào)說(shuō)明
中文摘要
Abstract
1 緒論
    1.1 研究目的與意義
    1.2 國(guó)內(nèi)外研究現(xiàn)狀分析
        1.2.1 國(guó)外研究現(xiàn)狀
        1.2.2 國(guó)內(nèi)研究現(xiàn)狀
        1.2.3 國(guó)內(nèi)外研究存在的問題
    1.3 研究?jī)?nèi)容
    1.4 論文組織結(jié)構(gòu)
2 深度學(xué)習(xí)算法概述
    2.1 神經(jīng)網(wǎng)絡(luò)簡(jiǎn)介
        2.1.1 神經(jīng)元結(jié)構(gòu)
        2.1.2 多層感知機(jī)結(jié)構(gòu)
        2.1.3 反向傳播算法
    2.2 卷積神經(jīng)網(wǎng)絡(luò)
        2.2.1 卷積層結(jié)構(gòu)
        2.2.2 池化層結(jié)構(gòu)
        2.2.3 Dropout層
        2.2.4 常見分類網(wǎng)絡(luò)
        2.2.5 常見分割網(wǎng)絡(luò)
    2.3 圖論
        2.3.1 度量矩陣
        2.3.2 鄰接矩陣
        2.3.3 拉普拉斯矩陣
    2.4 本章小結(jié)
3 基于圖卷積網(wǎng)絡(luò)的田間雜草分類識(shí)別
    3.1 引言
    3.2 基于圖卷積網(wǎng)絡(luò)的雜草識(shí)別網(wǎng)絡(luò)
        3.2.1 特征提取
        3.2.2 基于半監(jiān)督GCN的雜草識(shí)別
    3.3 試驗(yàn)數(shù)據(jù)集
    3.4 試驗(yàn)結(jié)果與分析
        3.4.1 玉米雜草數(shù)據(jù)集試驗(yàn)結(jié)果
        3.4.2 胡蘿卜雜草數(shù)據(jù)集試驗(yàn)結(jié)果
        3.4.3 生菜雜草數(shù)據(jù)集試驗(yàn)結(jié)果
        3.4.4 混合數(shù)據(jù)集試驗(yàn)結(jié)果
        3.4.5 CNN、GCN試驗(yàn)對(duì)比
    3.5 本章小結(jié)
4 基于Mask R-CNN田間雜草分割的變量噴灑系統(tǒng)
    4.1 引言
    4.2 數(shù)據(jù)標(biāo)注
    4.3 Mask R-CNN雜草檢測(cè)分割模型
        4.3.1 雜草CNN特征提取
        4.3.2 區(qū)域建議網(wǎng)路RPN
        4.3.3 RoIAlign層
        4.3.4 輸出模塊
    4.4 Mask R-CNN雜草分割試驗(yàn)與性能評(píng)估
        4.4.1 雜草分割試驗(yàn)
        4.4.2 評(píng)估指標(biāo)
    4.5 試驗(yàn)結(jié)果與分析
        4.5.1 雜草分割結(jié)果與分析
        4.5.2 其他數(shù)據(jù)集驗(yàn)證
    4.6 田間變量噴灑試驗(yàn)測(cè)試
        4.6.1 單行植株多閥門噴灑
        4.6.2 不同地段單行植株多閥門噴灑
        4.6.3 多行植株多閥門噴灑
    4.7 本章小結(jié)
5 總結(jié)與展望
    5.1 本文總結(jié)
    5.2 展望
參考文獻(xiàn)
致謝
攻讀碩士學(xué)位期間取得的成果



本文編號(hào)：3862504