針對傳統(tǒng)農(nóng)作物冠層施藥沉積量分類模型分類準(zhǔn)確率低、網(wǎng)絡(luò)模型參數(shù)量大且運(yùn)算速度慢的問題,該研究提出一種改進(jìn)的SPP-Net-Inception-v4模型。該模型通過構(gòu)建稀疏網(wǎng)絡(luò)結(jié)構(gòu)平衡各個模型子網(wǎng)間的計(jì)算量,利用3個Inception模塊生成施藥沉積量在柑橘冠層熱紅外圖像的稠密有效特征數(shù)據(jù);在模型的卷積層與全連接層間創(chuàng)新性接入空間金字塔池化網(wǎng)絡(luò)（Spatial Pyramid Pooling Network, SPP-Net）,進(jìn)行一次歷遍提取熱紅外圖像特征信息,再通過空間池化操作融合3種池化方式提取的多尺度特征,實(shí)現(xiàn)柑橘冠層熱紅外圖像施藥沉積量表現(xiàn)特征的提取與融合。搭建多環(huán)境因素自主控制試驗(yàn)環(huán)境,模擬無人機(jī)低空采集柑橘冠層熱紅外圖像,應(yīng)用3個分類模型進(jìn)行對比試驗(yàn),試驗(yàn)結(jié)果表明,SPP-Net-Inception-v4模型與Inception-v4和ResNet-152兩種模型相比,準(zhǔn)確率分別提高1.58%和3.26%,模型訓(xùn)練完成凍結(jié)后占用計(jì)算機(jī)存儲空間大小分別降低13%和24%,表明SPP-Net-Inception-v4模型在降低模型規(guī)模的基礎(chǔ)上,提高了柑橘樹冠層施藥沉積量分類的準(zhǔn)... 

【文章來源】：農(nóng)業(yè)工程學(xué)報(bào). 2020,36(23)北大核心EICSCD

【文章頁數(shù)】：7 頁

【部分圖文】：

3種模型的損失函數(shù)曲線

利用保存的最優(yōu)SPP-Net-Inception-v4模型進(jìn)行驗(yàn)證集分類預(yù)測結(jié)果統(tǒng)計(jì)（表3）。試驗(yàn)結(jié)果表明，SPP-Net-Inception-v4模型基于多尺度特征融合的網(wǎng)絡(luò)設(shè)計(jì)，準(zhǔn)確預(yù)測了大部分驗(yàn)證集數(shù)據(jù)的施藥情況，模型的最優(yōu)收斂準(zhǔn)確率為95.07%，比Inception-v4模型提高1.58%，比Res Net-152提高3.26%。驗(yàn)證集的分類預(yù)測結(jié)果顯示，預(yù)測正確的已施藥和未施藥冠層熱紅外圖像（圖5a和圖5b），預(yù)測錯誤的已施藥和未施藥冠層熱紅外圖像（圖5c和圖5d）。通過綜合對比分析可知，預(yù)測正確與預(yù)測錯誤的柑橘冠層圖像均有局部特征不同程度相近的特點(diǎn)，說明模型特征擬合表達(dá)還有進(jìn)一步提升的空間，另一方面也說明原始圖像與特征圖之間存在多尺度感受野大小未能完全匹配模型網(wǎng)絡(luò)寬度與深度變化的可能。3 結(jié)論

數(shù)據(jù)采集試驗(yàn)于2019年3-6月在廣東省華南農(nóng)業(yè)大學(xué)工程學(xué)院柑橘實(shí)驗(yàn)基地進(jìn)行。為模擬本試驗(yàn)所需的各項(xiàng)無人機(jī)作業(yè)條件，設(shè)計(jì)了柑橘冠層施藥沉積量標(biāo)定試驗(yàn)平臺開展研究（圖1a）。該平臺主要由Vue Pro R 640紅外熱像儀（菲力爾，美國）、加熱器、加濕器、人造光源、溫濕度計(jì)、照度計(jì)、可升降不銹鋼固定架、密封塑料薄膜組成[13-14]。試驗(yàn)平臺由密封塑料薄膜進(jìn)行封閉，通過加熱器、加濕器、人造光源設(shè)置不同的環(huán)境參數(shù)[15]，具體數(shù)值由溫濕度計(jì)和照度計(jì)測量；紅外熱像儀固定在可升降不銹鋼固定架上，對柑橘樹進(jìn)行不同高度的圖像數(shù)據(jù)采集；果樹冠層施藥沉積量利用霧滴測試紙進(jìn)行標(biāo)定，霧滴測試紙尺寸為40 mm×92.5 mm，均勻固定在柑橘樹葉片上（圖1b）。霧滴測試紙干燥區(qū)域呈黃色，遇水區(qū)域呈綠色，依此進(jìn)行柑橘冠層施藥沉積量統(tǒng)計(jì)計(jì)算（圖1c）。1.1.2 數(shù)據(jù)采集試驗(yàn)步驟

【參考文獻(xiàn)】：
期刊論文
[1]計(jì)算機(jī)圖像處理技術(shù)在農(nóng)業(yè)項(xiàng)目中的應(yīng)用探析[J]. 朱榮.  電子元器件與信息技術(shù). 2020(02)
[2]基于改進(jìn)Inception V4的面部表情識別算法的研究[J]. 張景異,梁宸,吳攀,陳亮,劉韻婷.  光電技術(shù)應(yīng)用. 2020(01)
[3]基于AlexNet模型的AD分類[J]. 張柏雯,林嵐,吳水才.  北京工業(yè)大學(xué)學(xué)報(bào). 2020(01)
[4]基于遷移學(xué)習(xí)和AlexNet的駕駛員行為狀態(tài)識別方法[J]. 戎輝,華一丁,張小俊,龔進(jìn)峰,唐風(fēng)敏,郭蓬,何佳.  科學(xué)技術(shù)與工程. 2019(28)
[5]基于深度學(xué)習(xí)的圖像識別技術(shù)研究綜述[J]. 張琦,張榮梅,陳彬.  河北省科學(xué)院學(xué)報(bào). 2019(03)
[6]基于多尺度雙線性卷積神經(jīng)網(wǎng)絡(luò)的多角度下車型精細(xì)識別[J]. 劉虎,周野,袁家斌.  計(jì)算機(jī)應(yīng)用. 2019(08)
[7]中國植保無人機(jī)發(fā)展形勢及問題分析[J]. 蘭玉彬,陳盛德,鄧?yán)^忠,周志艷,歐陽帆.  華南農(nóng)業(yè)大學(xué)學(xué)報(bào). 2019(05)
[8]覆蓋度對無人機(jī)熱紅外遙感反演玉米土壤含水率的影響[J]. 張智韜,許崇豪,譚丞軒,邊江,韓文霆.  農(nóng)業(yè)機(jī)械學(xué)報(bào). 2019(08)
[9]基于深度學(xué)習(xí)的圖像識別研究[J]. 張?jiān)换?王紅,馬廣明.  現(xiàn)代信息科技. 2019(11)
[10]霧滴沉積特性參數(shù)的圖像檢測算法改進(jìn)[J]. 郭娜,劉思瑤,須暉,田素博,李天來.  農(nóng)業(yè)工程學(xué)報(bào). 2018(17)

碩士論文
[1]基于深度學(xué)習(xí)級聯(lián)技術(shù)的隧道裂縫識別與分析算法研究[D]. 楊敏.北京郵電大學(xué) 2019
[2]基于深度學(xué)習(xí)的實(shí)時(shí)目標(biāo)檢測[D]. 熊恒昌.湖南大學(xué) 2018
[3]基于循環(huán)神經(jīng)網(wǎng)絡(luò)的自閉癥譜系障礙預(yù)測框架[D]. 柳毅恒.北京郵電大學(xué) 2018



本文編號：3603181