基于轻量卷积网络的田间自然环境杂草识别方法

作     者：徐艳蕾 何润 翟钰婷 赵宾 李陈孝 XU Yan-lei;HE Run;ZHAI Yu-ting;ZHAO Bin;LI Chen-xiao

作者机构：吉林农业大学信息技术学院长春130118 

出 版 物：《吉林大学学报（工学版）》 (Journal of Jilin University:Engineering and Technology Edition)

年 卷 期：2021年第51卷第6期

页      面：2304-2312页

核心收录：

学科分类：12[管理学] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 081104[工学-模式识别与智能系统] 08[工学] 081203[工学-计算机应用技术] 0835[工学-软件工程] 0811[工学-控制科学与工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

基　　金：国家自然科学基金项目(31801753) 吉林省科技厅国际交流合作项目(20200204007NY) 吉林省教育厅“十三五”科学技术研究计划项目(JJKH20200336KJ) 

主　　题：人工智能 杂草识别 轻量卷积 激活函数 迁移学习 

摘      要：针对田间自然环境下杂草识别精度低和检测速度慢的问题,本文依据自然环境杂草图像数据的特性,在Xception卷积网络的基础上构建了一种基于轻量卷积网络的杂草识别模型。首先改进Xception模型,采用ELU作为模型的激活函数,并使用全局最大池化层对最后一层卷积进行下采样。然后,对原始数据进行背景分割和数据增强处理,在迁移后的模型上继续微调,训练得到最佳的杂草识别模型。在相同的试验条件下,与VGG16、VGG19、ResNet50和Inception-V3四种标准的深度卷积网络模型进行比较,结果显示,本文模型的整体性能最好,对自然条件下8类杂草及苗期玉米的平均测试识别准确率高达98.63%,改进模型的规模为83.5 MB,单张杂草图像检测平均耗时仅为63.8 ms。本文研究结果可为田间自然环境下精准喷药的实施提供理论基础和技术支持。