1138 排灌机械工程学报第 36 卷 efectof and resolutionimagesonrecognitionaccuracywasalsoclarified.There sultsshowthatthehighestrecognitionrateof300 3

Size: px

Start display at page:

Download "1138 排灌机械工程学报第 36 卷 efectof and resolutionimagesonrecognitionaccuracywasalsoclarified.There sultsshowthatthehighestrecognitionrateof300 3"

坤祝
5 years ago
Views:

年月Ｎ第卷第期ＶＮ７４５基于深度学习的无人机遥感生态灌区杂草分类王术波韩宇陈建潘越曹毅孟灏中国农业大学工学院北京中国农业大学水利与土木工程学院北京王术波摘要为了更好地推进生态灌区建设对灌区内杂草进行检测控制提出一种基于卷积神经网络的杂草分类和密度测算方法通过无人机低空拍摄采集种杂草藜草草苍耳和种作物

1 年月Ｎ第卷第期ＶＮ７４５基于深度学习的无人机遥感生态灌区杂草分类王术波韩宇陈建潘越曹毅孟灏中国农业大学工学院北京中国农业大学水利与土木工程学院北京王术波摘要为了更好地推进生态灌区建设对灌区内杂草进行检测控制提出一种基于卷积神经网络的杂草分类和密度测算方法通过无人机低空拍摄采集种杂草藜草草苍耳和种作物小麦花生玉米作为数据集经过裁剪灰度化等前期处理并通过旋转方式扩充数据集最后收集７５张训练样本和７５张测试样本然后将训练集输送给卷积神经网络采用Ｓ和不同分辨ｍ回归实现类植物的分类为降低网络参数文中试验了率图像对识别精度的影响分类结果表明分辨率时识别率最高可达到５另外为实现针对特定杂草的防控提出了一种检测单一杂草密度的方法可实现对灌区内各种杂草的精确监控为后期杂草防控的精准施药提供依据对实现高效绿色安全的现代农业具有重要理论意义和实用价值关键词生态灌区无人机卷积神经网络杂草分类中图分类号Ｓ７５文献标志码Ａ文章编号７４５７５王术波韩宇陈建等基于深度学习的无人机遥感生态灌区杂草分类排灌机械工程学报７４ＷＡＮＧＳＨＡＮＹＣＨＥＮＪＷｍＵＡＶｍＪＤＩＭＥ７４ＣＪＷｍＵＡＶＷＡＮＧＳＨＡＮＹＣＨＥＮＪＰＡＮＹＣＡＯＹＭＥＮＧＨＣＥＣＡＵＢＣＣＷＲＣＥＣＡＵＢＣＡＩｍｍｗｗｗＣＮＮｗｍｍｗＵＡＶｗｗｍｍｍｍｍｍｗｗｍ７５ｍ７５ｍｗｍｍＦｗＣＮＮｗｍＳｍＩｗｍ收稿日期４５修回日期网络出版时间７网络出版地址ｍ４Ｈ７４ｍ基金项目国家自然科学基金资助项目５５４国家重点研发计划项目７ＹＦＤ７７ＹＦＣ４ＹＦＤ７ＹＦＣ４７中央高校基本科研业务费资助项目ＱＣＳＹ７吉林省重点科技研发项目ＳＦ第一作者简介王术波４男山东威海人博士研究生ｗ主要从事无人机深度学习研究通信作者简介陈建男山东威海人副教授博士生导师主要从事无人系统导航制导与控制研究

2 1138 排灌机械工程学报第 36 卷 efectof and resolutionimagesonrecognitionaccuracywasalsoclarified.There sultsshowthatthehighestrecognitionrateof resolutioncanreachashighas95.6%accura cy.inordertopreventandcontrolspecificweeds,amethodofdetectingsingleweedsdensityispre sented,too.throughthismethod,accuratemonitoringofvariousweedsinirigationareascanbe achieved.thismethodcanprovideabasisforpreciseapplyingpesticide,andhasimportantsignifi canceandtheoreticalandpracticalvaluesforrealizingeficient,green,andsafemodernagriculture. Keywords:ecologicalirigationarea;unmannedaerialvehicle(UAV);convolutionalneuralnetwork; weedclasification 生态灌区是现代农业发展的重要基地和区域经济发展的重要支撑, 同时也是当地生态环境保护的依托 [1]. 实现灌区的现代化, 其目标之一是建立防止农业污染的屏障. 现阶段, 造成农田污染原因之一是农药的大量使用. 根据联合国粮农组织报道, 全世界共有 8000 余种农田杂草, 对粮食作物有危害的杂草有 250 多种, 目前广泛应用的是化学除草法, 粗放的农药喷洒可以实现对杂草的防控, 但不仅污染环境, 增加农业成本, 对食品安全也造成威胁. 所以实现精准的定点杂草防控十分重要, 为 [2] 此, 国内外研究者进行了大量研究.ZHENG 等提出一种实现玉米和杂草检测自动化方法, 采用了后处理算法区分玉米和杂草, 准确率达到 93 9%. 刘 [3] 伟等针对 SVM 容易出现过学习泛化能力下降的问题, 利用 LSSVM 在求解线性方程组时的自身优势, 对高分辨率无人机多光谱影像进行地物分类识别. 文献 [4] 提出了一种利用微型飞行器 (MAV) 收集的多光谱图像进行杂草分类方法, 最终实现甜菜田中杂草的分类, 采用飞行器可有效摆脱地面机械 [5] 限制, 实现更复杂地形的作业.AHMAD 等实现了一种基于哈尔小波变换 (HWT) 的实时特定杂草分类算法, 通过分割特征提取分类, 最终分类实 [6] 现 94 0% 的准确率.VESALI 等研究了马铃薯田中的杂草识别, 通过机器视觉方式, 提取不同植株的原色成分通过判别函数进行分类, 文章中还采用决策树法比较结果与判别分析, 最高正确率达 87 0%. 文献 [7] 中提出的杂草分类分为两步, 首先进行作物行监测, 分为基于 3D-Otsu 的图像分割双阈值分割和作物行检测, 然后通过主成分分析 (PCA) 法实现分类, 通过这两步较好实现了杂草分类. 综上, 现阶段采用的杂草分类技术大都基于地面载体进行, 且采用复杂图像处理算法进行手动特征提取, 然后进行分类, 然而方法的准确性适应性鲁棒性较差. 而利用无人机结合卷积神经网络可以较好避免以上问题, 其在目标识别 [8] 场景分 [9] 类领域表现优异. 现阶段, 卷积神经网络已被应用于许多领域. 文中通过无人机拍摄的低空植株图像, 基于卷积神经网络的方法, 针对低空植株图像进行一系列预处理并通过试验分析, 提出一种杂草密度测算方法, 对灌区内各种杂草的精确监控, 为后期杂草防控的精准施药提供依据. 1 卷积神经网络卷积神经网络最初是受到视觉系统神经机制的启发, 针对二维形状的识别而设计的一种多层感知器. 标准卷积神经网络是一种特殊的前馈神经网络模型, 通常具有比较深的结构, 一般由输入层卷积层池化层全连接层及输出层构成. 1 1 卷积层卷积层是卷积神经网络的核心部分, 其主要功能是通过卷积核的固定步长移动对输入进行局部特征提取. 卷积层操作可以减少不必要的权值连接, 引入稀疏或局部连接, 带来的权值共享策略大大减少参数量, 从而避免过拟合现象的发生 ; 另外由于卷积操作具有平移不变性, 使得学到的特征具有拓扑对应性鲁棒性的特性. 卷积层计算公式为 x n j =f ( ) x n-1 i i M i k ij +b n, (1) j 式中 :x n j 为第 n 层卷积层的第 j 个特征图 ;f(.) 为激活函数 ;M i 为选择的输入特征图 ;x n-1 i 为 n-1 层的第 i 个输出 ; 为卷积操作 ;k ij 为上一层的第 i 个特征图和当前层的第 j 个特征图之间的卷积核 ;b n j 为当前层的偏置. 1 2 池化层池化层是通过对上一层输出特征图上不重叠矩形区域进行函数变换得到的更加高层的不变特性. 本质上, 池化操作执行空间或特征类型的聚合,

第期王术波等基于深度学习的无人机遥感生态灌区杂草分类可降低空间维度减少计算量约减下一层的输入维行进行数据采集飞行航拍路线取点规则如图所度有效控制过拟合风险池化操作有多种形式例如示图中从左到右分别采集了藜草草苍耳种最大池化平均池化范数池化和对数概率池化最常杂草和玉米花生幼苗小麦种作物用来做卷积见的池化方式为最大池化其计算公式为

3 第期王术波等基于深度学习的无人机遥感生态灌区杂草分类可降低空间维度减少计算量约减下一层的输入维行进行数据采集飞行航拍路线取点规则如图所度有效控制过拟合风险池化操作有多种形式例如示图中从左到右分别采集了藜草草苍耳种最大池化平均池化范数池化和对数概率池化最常杂草和玉米花生幼苗小麦种作物用来做卷积见的池化方式为最大池化其计算公式为神经网络进行作物杂草分类的原始图像集如图 β ｗ个特征图ｗ为池式中为第层池化层的第所示为进行后续处理将低空拍摄的所有植株图片以中心为基点进行正方形裁剪裁剪图像如图所示化操作 β为一个乘法权重值通常取Ｓｍ回归文中研究的是种不同植株的分类采用Ｓｍ分类是一种类似于逻辑回归的多ｍ分类Ｓ分类问题即标签可以取个值也就是将目标变量分为类设Ｓｍ分类函数为ＥＥ图无人机航线取点规则ＦＤｍ图低空拍摄图像和裁剪后图像ＦＣｍｗｍｍ ( ) 图像处理４图像为灰度图需将前面裁剪的图像采用权重法进实现杂草分类过程使用的卷积神经网络输入ｍｍ式中为样本集ｍ为训练样本数量为指示函数行灰度化权重计算公式为ＧＲ５７Ｇ４Ｂ５Ｆ使用关为模型的拟合参数在卷积神经网络运行过程中参数的多少将显于的拟然函数求函数最大值然后将代入分类著影响前期的训练速度以及后期的测试速度所以函数对应概率值最大的一项作为最终分类结果要尽可能降低网络参数其中包括对输入图像像素的控制输入图像像素低网络识别率高是最优选数据择所以文中分别采取和输入图像分辨率进行对比试验为进一步扩充数据集数据获取文中采用大疆Ｍ搭载ＺＥＮＭＵＳＥ云台相机针对同一生态灌区春季作物无人机定高ｍ飞分别对处理后的图像进行７旋转最终数据集数量及各分类标签如表所示表中ｍ为训练集ｍ为测试集

4 1140 排灌机械工程学报第 36 卷表 1 样本集数量和对应标签 Tab.1 Numberofcolectedsamplesetsandlabels 类别藜草草苍耳玉米花生幼苗小麦合计标签 m 1 / 张 m 2 / 张试验及讨论 3 1 分类试验图 3 为卷积神经网络结构示意图. 图 3 卷积神经网络结构 Fig.3 Structureofconvolutionalneuralnetwork 卷积层 1 采用了 5 5 的 6 个卷积核, 池化层 1 采用 2 2 的平均池化, 卷积层 2 使用了 5 5 的 12 个卷积核, 池化层 2 采用 2 2 的平均池化, 第 6 层为全连接层, 最后一层输出为 6 类. 训练过程中每一层特征图维度如表 2 所示. 表 2 各层特征图维度 Tab.2 Dimensionsofeachfeaturemaps 分辨率卷积层 1 池化层 1 卷积层 2 池化层文中采用 ReLU 激活函数,ReLU 具有更强的表达能力, 特别在深度网络中. 对于非线线网络, 由于非负梯度的不变性, 不存在梯度消失问题, 这使得模型的收敛速度可以保持稳定.ReLU 激活函数公式为 ReLU(x)=max(0,x). (6) 试验在 Matlab2017 平台运行, 通过对两组不同分辨率的图像进行试验, 经过多次迭代后, 寻找到相对最优迭代次数为 200 次, 表 3 为 2 种分辨率试验结果, 表中 δ 为准确率,σ t 为总体准确率, 图 4 为作物与杂草分布. 表 3 2 种分辨率试验结果 Tab.3 Experimentalresultsof2kindsofresolution 项目藜草草苍耳玉米花生幼苗小麦藜草草苍耳玉米花生幼苗小麦测试数目检测出数目 δ/% σ t 95 6% 74.0% 图 4 作物和杂草分布图 Fig.4 Distributionmapofcropsandweeds 单张图片处理时间为 83ms, 单张处理时间为 17ms. 从表 3 可以看出藜草和草的分类效果不好, 主要是两者形态较为相似, 两者存在辨认错误现象 ; 相较于前 3 种杂草的分类效果, 后面作物的分类效果较好, 是因为前期训练集丰富, 且作物形态之间存在较大差异分辨率总体准确率可达 95 6% 分辨率整体分类效果较差, 尤其是杂草, 低分辨率使得图像失真较为严重, 卷积神经网络不能较好从中学习特征. 通过表 3 中总体准确率可以得出, 分辨率的准确率要远优于杂草密度测算精准施药过程需要依赖准确的杂草密度信息. 进行杂草分类的过程中, 可利用分类结果实现杂草密度的测算. 文中采取利用单一杂草分类数量与总低空图像比值实现杂草密度测算, 计算公式为 ρ= m X j i j=1 n m X j i i=1 j=1, (7) 式中 :j 为某一种植株样本数 ;i 为植株种类 ;ρ 为杂草密度. 4 结论 1) 利用无人机捕捉的低空图像, 并结合卷积神

5 第期王术波等４基于深度学习的无人机遥感生态灌区杂草分类经网络的方法实现杂草分类进行不同对比试验ｍｗｍｍ最后选取分辨率输入图像其准确率可达ＭＡＶｍｍＩＥＥＥ５并具有实时性好快捷特点ｍ５５５结合提出的杂草密度算法可有效得到各种杂草的密度这为精准施药提供依据进而有效减少农药使用量降低农产品生产成本和提高食品安全保障有利于促进农业现代化的实现参考文献Ｒ何军崔远来生态灌区农田排水沟塘湿地系统的５ＡＨＭＡＤＩＳＩＤＤＩＱＩＭＨＦＡＩＭＡＩＷＨｗｍＮＮｍｍＰ５ｍＣｍｍｍｍｍＶＥＳＡＬＩＦＧＨＡＲＩＢＫＨＡＮＩＭＫＯＭＡＲＩＺＡＤＥＨＭＨＰｍｍ构建和运行管理中国农村水利水电ｗＲＨＥＪＣＵＩＹＦｍ４５ｗｍｍ７ＬＡＶＡＮＩＡＳＭＡＥＹＰＳＮｍｗｍＣｍＯＰＣＡｍｍｗｗＣＣ５ＩＥＥＥｍＺＨＥＮＧＹＺＨＵＱＨＵＡＮＧＭＭｗｗＣｍ７４５刘伟赵庆展汪传建等基于最小二乘支持向量机的无人机遥感影像分类江苏农业科学７４５７ｍｍＧＩ５５４５７ＺＨＩＳＬＩＵＹＬＩＸｗｍｄｗｍＣＮＮｍｗｍＣｍ７７７ＱＡＹＹＵＭＡＭＡＬＩＫＡＳＳＡＡＤＮＭＳＺＨＡＯＱＷＡＮＧＣＬＩＵＷｍＣＮＮＣＵＡＶｍｍＩｍＪ７５ｍ７４５７ＣＡＩＣＨＥＮＺＰＯＰＯＶＩＣＭＷ４Ｓ责任编辑谈国鹏

自然科学版预处理视盘粗定位视盘垂直坐标的粗定位视盘水平坐标的粗定位

自然科学版预处理视盘粗定位视盘垂直坐标的粗定位视盘水平坐标的粗定位自然科学版文章编号视网膜图像中视盘的快速自动定位方法赵晓芳林土胜李碧摘要基于眼底视网膜血管的分布结构及视盘本身的特点提出一种快速自动定位视盘的方法首先根据视网膜血管的网络分布结构大致定位视盘的垂直坐标然后根据视盘的亮度信息及视盘与血管的关系来定位视盘的水平坐标最后把视盘限定在以粗定位的视盘为中心的一个小窗口内用变换精确定位视盘中心该方法不需要事先分割视网膜血管也不需要对算法进行训练

1138 排灌机械工程学报 第 36 卷 efectof and resolutionimagesonrecognitionaccuracywasalsoclarified.There sultsshowthatthehighestrecognitionrateof300 3

1138 排灌机械工程学报第 36 卷 efectof and resolutionimagesonrecognitionaccuracywasalsoclarified.There sultsshowthatthehighestrecognitionrateof300 3