在大豆-玉米輪作生產(chǎn)過程中,玉米雜苗會與大豆苗競爭水和肥料,而且很容易遮住大豆苗,影響害蟲（如玉米根蟲）的防控,降低大豆品質(zhì)。因此,在大豆幼苗期及時檢測出玉米雜苗并對其進行處理非常重要。傳統(tǒng)的人工檢測方法主觀性強、效率低,傳感器和算法的發(fā)展為自動檢測玉米雜苗提供了更好的解決方案。本研究在溫室環(huán)境下模仿田間條件,待玉米和大豆發(fā)芽后,連續(xù)5天用因特爾RealSense D435相機采集彩色圖像,并人工裁剪幼苗圖像區(qū)域,在此基礎(chǔ)上對圖像進行分割和去噪。在采集圖像形狀、色彩和紋理特征值后,對所采集的特征值進行權(quán)重分析,保留前10種重要的特征值導入基于特征的機器學習算法中進行模型訓練和預測。預測結(jié)果表明,支持向量機模型（SVM）、神經(jīng)網(wǎng)絡(luò)（NN）和隨機森林（RF）的預測精度分別為85.3%,81.5%和82.6%。將數(shù)據(jù)集導入GoogLeNet和VGG-16兩種深度學習模型進行訓練,預測精度分別為96.0%和96.2%。VGG-16模型在區(qū)分大豆幼苗和玉米雜苗中有較好的表現(xiàn),彩色圖像和VGG-16模型組成的系統(tǒng)可以自動檢測大豆生長過程中玉米雜苗的情況,為農(nóng)民提供準確的信息,幫助其進行生產(chǎn)決策和田... 

【文章來源】：智慧農(nóng)業(yè)(中英文). 2020,2(03)

【文章頁數(shù)】：14 頁

【文章目錄】：
1 Introduction
2 Materials and methods
    2.1 Data collection
    2.2 Dataset preprocessing
    2.3 Feature based machine learning
        2.3.1 Feature extraction
        2.3.2 Support vector machine,neural net-work and random forest
    2.4 Deep learning
        2.4.1 VGG16 and Goog Le Net
        2.4.2 Accuracy evaluation
3 Results and discussion
    3.1 Feature based machine learning al-gorithms
    3.2 Deep learning algorithms
    3.3 Performance comparison of machine learning and deep learning
    3.4 Future work
4 Conclusions



本文編號：3471984