基于“深度学习”识别模型的玉米农田监测应用系统设计与实现

作     者：阎妍 行鸿彦 刘刚 吴红军 吴慧 戴学飞 余培 Yan Yan;Xing Hongyan;Liu Gang;Wu Hongjun;Wu Hui;Dai Xuefei;Yu Pei

作者机构：南京信息工程大学气象灾害预报预警与评估协同创新中心南京210044 南京信息工程大学江苏省气象探测与信息处理重点实验室南京210044 江苏省无线电科学研究所有限公司无锡214127 

出 版 物：《气象科技》 (Meteorological Science and Technology)

年 卷 期：2019年第47卷第4期

页      面：571-580页

学科分类：0828[工学-农业工程] 08[工学] 

基　　金：国家自然科学基金(61671248,41605121) 江苏省重点研发计划(BE2018719) 江苏省“信息与通信工程”优势学科计划资助 江苏省研究生科研创新计划(KYCX18_1038)资助 

主　　题：玉米农田监测 生长阶段识别 卷积神经网络 深度局部关联 

摘      要：为了精准判断玉米所处生长阶段,远程实时监测玉米长势,分析生长阶段与田间环境要素间的关系,本文提出深度局部关联神经网络,克服了玉米生长阶段识别中存在的多模态和模糊性问题,在Oxford VGGNet(Visual Geometry Group Net)模型中添加一个新的监督层,即局部关联损失层,提高深层特征的判别能力。基于所提的玉米生长阶段图片识别新算法,拓展环境要素监测功能,设计一套基于深度学习的玉米农田监测系统。系统由玉米农田监测装置和云端服务器组成,监测装置采集玉米图像、气象要素和田间位置数据,通过4G无线发送给云端服务器,云端服务器利用深度局部关联神经网络识别生长阶段,显示结果并存入数据库中。仿真试验表明,深度局部关联神经网络平均识别准确率达到92.53%,较VGGNet的87.21%和LSTM的88.50%,准确率分别提高了5.32%和4.03%。实地测试结果表明,野外环境下系统准确率可达到91.43%,能够稳定地对农田玉米生长情况进行监测,具有重要的应用价值。