| 基于卷积网络和哈希码的玉米田间杂草快速识别方法 |
| |
| 引用本文： | 姜红花,王鹏飞,张 昭,毛文华,赵 博,齐 鹏.基于卷积网络和哈希码的玉米田间杂草快速识别方法[J].农业机械学报,2018,49(11):30-38. |
| |
| 作者姓名： | 姜红花 王鹏飞 张 昭 毛文华 赵 博 齐 鹏 |
| |
| 作者单位： | 山东农业大学信息科学与工程学院;宝鸡文理学院电子电气工程学院;中国农业机械化科学研究院;山东永佳动力股份有限公司 |
| |
| 基金项目： | 山东省重点研发计划项目（2015GNC112004）、国家重点研发计划项目（2017YFD0700500）、山东省自然科学基金项目（ZR2018MC017）和山东农业大学智能化农业装备研发项目（24132） |
| |
| 摘 要： | 为提高作物与杂草识别的准确性,结合深度卷积网络强大的特征提取能力和哈希码便于存储和快速检索的特点,提出了基于深度卷积网络和二进制哈希码的田间杂草快速识别方法。结合预训练好的多层卷积网络,增加二进制哈希层构建杂草识别模型,并利用所采集的杂草数据集对模型进行fine-tuning。所提出的二进制哈希层可有效地的将高维杂草特征进行压缩,以便于实际田间杂草特征的存储和后续计算。在进行杂草识别时,利用训练好的模型提取输入图像的全连接层特征码和哈希特征码,与数据库中的全连接层特征码和哈希特征码进行对比,分别计算其汉明距离与欧氏距离,找出与其最相似的K张图像,统计这K张图像的标签,将其归入频率最高的一类,以达到分类识别的目的。本文通过对比不同卷积层数和不同二进制哈希码长度对杂草识别的影响,最终确定了包含4层卷积网络和128位哈希码长度的杂草识别模型。试验结果表明所提出的研究方法在田间杂草识别上可以达到98.6%准确率,并且损失函数稳定性相较于普通模型有所提高。同时在其他杂草数据集上也有良好的表现,准确率达到95.8%,说明提出的方法具有通用性。经实地测试表明利用本文提出的模型识别杂草进行对靶喷雾可以达到92.7%的杂草施药率,能够有效减少农药浪费,适用于精准喷雾。
|
| 关 键 词： | 杂草识别 卷积神经网络 哈希码 深度学习 特征压缩 |
| 收稿时间： | 2018/5/17 0:00:00 |
Fast Identification of Field Weeds Based on Deep Convolutional Network and Binary Hash Code |
| |
| JIANG Honghu,WANG Pengfei,ZHANG Zhao,MAO Wenhu,ZHAO Bo and QI Peng.Fast Identification of Field Weeds Based on Deep Convolutional Network and Binary Hash Code[J].Transactions of the Chinese Society of Agricultural Machinery,2018,49(11):30-38. |
| |
| Authors: | JIANG Honghu WANG Pengfei ZHANG Zhao MAO Wenhu ZHAO Bo and QI Peng |
| |
| Institution: | Shandong Agricultural University,Shandong Agricultural University,Baoji University of Arts and Sciences,Chinese Academy of Agricultural Mechanization Sciences,Chinese Academy of Agricultural Mechanization Sciences and Shandong Yongjia Power Co., Ltd. |
| |
| Abstract: | |
| |
| Keywords: | weed identification convolution neural network Hash code deep learning feature compression |
| 本文献已被 CNKI 等数据库收录！ |
| 点击此处可从《农业机械学报》浏览原始摘要信息 |
| 点击此处可从《农业机械学报》下载免费的PDF全文 |
|
