化学除草问题管理论文提纲

论文题目：基于深度学习的稻田杂草种类识别及其位置检测方法研究

摘要：目前稻田草害主要以化学药剂防控为主,通常农业生产者根据对杂草类型的主观判断选择除草剂,并采用大面积均匀喷施方式,然而这种传统除草剂施用方式容易造成化学药剂的过量施用,进而引起作物药害、土壤和水源污染和稻米药剂残留等问题。除草剂精准喷施可在不影响杂草防控效果的前提下,有效节约40%～60%的药剂用量。因此,在稻田杂草防控管理中,应根据杂草种类及其区域位置,选择合理的除草剂类型和用量对杂草进行靶向防控。本文基于深度学习理论开展稻田杂草种类识别及其位置检测方法的研究,根据稻田伴生杂草及稻田环境特点,针对杂草种类识别,采用深度学习中的深度置信网络（Deep Belief Network,DBN）和卷积神经网络（Convolutional Neural Network,CNN）,分别创建了基于DBN的稻田杂草多特征融合识别模型和基于CNN的稻田杂草种类识别模型等;针对水稻秧苗和杂草位置检测,提出一种基于全卷积神经网络（Fully Convolutional Networks,FCN）语义分割的水稻秧苗及杂草位置检测方法。通过本文的实施可解决稻田复杂背景下,稻田伴生杂草种类自动识别和位置检测的技术难题,为稻田除草剂靶向施药和机械除草提供技术支持,也可为其它作物伴生杂草的种类识别和位置检测方法研究提供参考。主要研究内容和结论如下:（1）采集不同光照条件和不同背景下的稻田单株杂草图像,人工划分标签类别,以6种主要稻田杂草图像构建主要稻田杂草图像基础数据库,融合杂草图像的颜色、形状和纹理特征。采用1.1G-R颜色因子将杂草RGB图像进行灰度化、自动阈值分割得到杂草前景二值图像、腐蚀膨胀形态学操作进行叶片内部孔洞填充和面积滤波去除其它干扰目标,最后将杂草二值图像与RGB图像进行掩膜运算得到去除背景的杂草图像;提取杂草图像颜色、形状和纹理特征共101维特征,并对其进行归一化处理。（2）融合稻田杂草图像特征,构建基于深度置信网络的稻田杂草种类识别模型,通过对深度置信网络节点参数优化显著地提高了模型杂草种类的识别精度。为克服单一特征及浅层结构算法分类效果不佳的问题,本文在杂草图像融合特征基础上构建了DBN识别模型,解决了基于稻田杂草单一特征识别率不高的问题。在双隐含层和单隐含层的DBN结构基础上,对隐含层节点数的选择方法进行研究。当DBN网络结构为101-200-6时杂草种类识别准确率达到91.13%。试验结果表明本文所提出方法可实现稻田杂草的准确识别。（3）针对稻田杂草大样本图像,构建基于卷积神经网络的水稻秧苗及苗期杂草种类识别模型,可自动学习和提取水稻秧苗及苗期杂草的识别特征,试验表明其优于基于传统手工特征加分类器的建模方法,且模型具有良好的稳定性和鲁棒性。通过图像旋转和平移等变换扩充样本数量,针对样本扩充后的水稻秧苗及苗期杂草图像数据集,提出一种基于CNN的水稻秧苗及苗期杂草种类识别方法,该方法将特征提取与分类模型构建相结合,可自动学习和提取水稻秧苗及苗期杂草图像的识别特征,该方法避免了特征的设计和提取。并探究了CNN的结构、层数、卷积核大小对所提取特征信息表达能力的影响,选择不同的卷积核大小数量组合方式,对CNN模型识别性能进行深入研究。试验结果表明在4层CNN网络构架下,当卷积核大小在[11,9,7,5,3,1]内呈递减规律,且在[16,32,64,128,256,512]内卷积核数量呈递增规律,在给定区间内对卷积核参数进行合理组合可使CNN模型性能达到最优。试验结果表明,CNN识别模型在稻田复杂背景和自然光照条件下模型的平均识别准确率达到92.55%,优于基于传统手工特征加深度置信网络分类器建模方法的识别精度91.13%;同时CNN识别时间为0.020 4s,快于基于多特征融合加DBN识别模型1.046 2s。（4）针对稻田杂草小样本图像,基于迁移学习研究了稻田杂草种类识别及其目标位置检测方法,并构建基于预训练卷积神经网络的杂草图像迁移学习识别模型和目标检测Faster R-CNN模型,试验结果表明,VGG16优化的参数迁移模型对稻田杂草测试样本的正确识别率为97.48%和稻田杂草目标检测模型精度为82.47%。由于新建并训练一个CNN模型需要大量图像样本,而针对稻田杂草小样本图像,本文提出基于迁移学习的稻田杂草种类识别及其目标位置检测的方法。针对稻田杂草种类识别,通过对3种预训练CNN图像分类模型Alex Net、VGG16和Goog Le Net进行迁移学习,分别建立3种稻田杂草种类识别模型,试验结果表明这3种参数迁移模型对6种稻田杂草测试样本的正确识别率分别为96.40%、97.48%和91.01%。针对稻田杂草目标位置检测,在目标检测模型Faster R-CNN的基础上进行迁移学习,通过稻田杂草小样本数据对目标检测模型Faster R-CNN进行参数微调,通过不同主干网络的比较,最后试验得出基于VGG16主干网络的Faster R-CNN稻田杂草目标检测模型的检测精度最高,可达到82.47%。（5）基于全卷积神经网络语义分割技术,提出水稻秧苗及苗期杂草位置检测方法,分别建立U-NET、Seg Net和FCN语义分割模型,优化试验结果表明,Seg Net模型的像素平均准确率最高,满足进一步预测与操作要求。针对秧苗和杂草的位置信息,提出一种基于全卷积神经网络的水稻秧苗及苗期杂草语义分割方法,首先田间采集水稻秧苗和杂草RGB图像,通过人工标注方法将RGB图像中各个像素点标注为作物、杂草和背景共3个类别,将RGB图像和对应的标注图像一起构成训练和测试数据集,80%数据集用于网络参数训练,20%用于测试网络性能。建立以编码器-解码器为基础的深度全卷积神经网络Seg Net模型,通过与已有逐像素分类方法FCN和U-Net的比较,本文方法获得较高的分类准确率,达到92.7%,其中,FCN方法逐像素分类的平均准确率为89.5%,U-Net方法平均准确率为70.8%。试验结果表明本文所提出的Seg Net方法能对稻田图像中的杂草、水稻秧苗和背景实施有效逐像素分类,为对靶施药和机械除草提供了精准定位。

关键词：稻田杂草;种类识别;位置检测;深度置信网络;卷积神经网络;语义分割

学科专业：农业电气化与自动化

摘要

abstract

英文首字母缩写定义列表

第1章 绪论

1.1 研究背景和意义

1.2 国内外研究现状

1.2.1 杂草种类识别的国内外研究现状

1.2.1.1 基于人工特征的杂草种类识别国内外研究现状

1.2.1.2 基于深度学习的杂草种类识别国内外研究现状

1.2.2 杂草位置检测的国内外研究现状

1.2.2.1 基于面积投影的杂草位置检测国内外研究现状

1.2.2.2 基于目标边界框位置检测在国内外农业中的研究现状

1.2.2.3 基于杂草语义分割位置检测的国内外研究现状

1.2.3 存在问题

1.3 研究内容和技术路线

1.3.1 研究内容

1.3.1.1 基于深度学习的稻田杂草分类模型研究

1.3.1.2 基于深度学习的稻田杂草区域位置检测模型研究

1.3.2 技术路线

第2章 基于多特征融合和深度置信网络的稻田杂草种类识别

2.1 杂草图像获取及图像预处理

2.1.1 构建稻田杂草图像数据库

2.1.2 稻田杂草背景分割

2.1.2.1 颜色因子彩色图像灰度化

2.1.2.2 灰度图像二值化

2.1.2.3 面积滤波

2.1.2.4 孔洞填充

2.2 特征提取

2.2.1 颜色特征

2.2.2 形状特征

2.2.3 纹理特征

2.3 深度置信网络

2.3.1 限制玻尔兹曼机

2.3.2 建立稻田杂草种类识别模型

2.4 试验结果与分析

2.4.1 特征选择

2.4.2 实现流程

2.4.3 试验结果

2.4.3.1 双隐含层节点数确定

2.4.3.2 单隐含层节点数确定

2.4.4 方法比较

2.5 本章小结

第3章 基于卷积神经网络的秧苗及苗期杂草特征学习及分类模型

3.1 试验数据

3.1.1 试验数据采集

3.1.2 图像预处理及样本扩增

3.2 卷积神经网络的原理及结构

3.2.1 卷积神经网络的原理

3.2.1.1 局部连接

3.2.1.2 权重共享

3.2.1.3 下采样层

3.2.2 卷积神经网络结构

3.2.2.1 卷积层

3.2.2.2 池化层

3.2.2.3 全连接层

3.2.2.4 SOFTMAX分类器

3.2.2.5 激活函数

3.2.3 深度卷积神经网络训练

3.3 试验结果与分析

3.3.1 试验参数设置

3.3.2 基于CNN的水稻秧苗及苗期杂草种类识别网络构架

3.3.3 卷积层特征图及参数可视化

3.3.4 CNN模型网络结构参数确定

3.3.4.1 卷积单元层数确定

3.3.4.2 卷积核大小及数量确定

3.3.5 试验结果

3.4 本章小结

第4章 基于迁移学习的稻田杂草种类识别及其目标位置检测

4.1 预训练CNN图像分类模型结构分析

4.1.1 ALEXNET

4.1.2 GOOGLENET

4.1.3 VGG-16

4.1.4 3种模型结构对比

4.2 基于迁移学习的稻田杂草种类识别

4.2.1 图像数据集

4.2.2 基于预训练卷积神经网络与迁移学习的稻田杂草种类识别

4.2.3 迁移学习训练

4.2.4 试验结果与分析

4.2.4.1 试验结果

4.2.4.2 特征图可视化

4.2.5 方法比较

4.3 基于迁移学习的稻田杂草目标位置检测

4.3.1 图像数据集

4.3.2 基于FASTER R-CNN与迁移学习的稻田杂草目标检测

4.3.3 试验结果与分析

4.4 本章小结

第5章 基于全卷积神经网络语义分割的稻田杂草位置检测方法研究

5.1 图像采集及预处理

5.1.1 水稻秧苗和杂草图像数据集获取

5.1.2 图像数据集预处理

5.1.2.1 图像分割

5.1.2.2 人工图像标注

5.1.2.3 像素样本平衡

5.2 基于全卷积神经网络的语义分割模型

5.2.1 FCN

5.2.1.1 反卷积

5.2.1.2 上采样

5.2.2 U-NET

5.2.3 SEGNET

5.2.3.1 SEGNET网络结构设计

5.2.3.2 上采样和反卷积

5.2.4 全卷积语义分割模型结构对比分析

5.3 试验结果与分析

5.3.1 评价标准

5.3.2 试验结果

5.3.2.1 SEGNET模型提取的图像特征

5.3.2.2 不同网络模型性能比较

5.3.2.3 语义分割图像拼接

5.4 田间应用分析

5.5 本章小结

第6章 讨论与结论

6.1 主要研究结论

6.2 研究的创新点

6.3 下一步研究展望

致谢

参考文献