基于位置特征的穴间杂草快速识别算法

可编辑修改精选全文完整版基于机器视觉的田间杂草识别技术研究共3篇基于机器视觉的田间杂草识别技术研究1随着现代农业技术的发展，机器视觉在农业领域的应用越来越广泛。

其中，田间杂草识别技术是一项重要的研究方向。

本文将介绍最近一些关于基于机器视觉的田间杂草识别技术研究进展，并对该技术的未来前景进行展望。

杂草是影响农田产量和作物质量的主要因素之一。

传统的除草方法往往需要大量的人力和时间，而且效果并不稳定。

而机器视觉技术可以自动地对田间杂草进行快速的识别和分类，为精准除草提供了有力的支持。

目前，欧美和日韩等发达国家已经开始在农田中使用机器视觉技术进行除草，对于提高农业生产效率和降低成本具有重要意义。

一些研究人员使用机器学习算法来训练计算机识别各类杂草，并取得了一些可观的成果。

他们首先采集了不同种类和不同生长阶段的杂草图像，选取其中一部分进行标注，然后使用这些标注数据进行模型训练。

经过多次实验和迭代，这些模型可以在测试集上达到较高的准确率。

例如，在一篇研究中，研究人员使用了深度学习算法，在4类常见杂草上取得了97%以上的分类准确率。

这种方法虽然需要大量的标注数据，但是可以处理大量的杂草图像，适用性较广。

另外一些研究人员则注重设计高效的图像处理算法，以提高识别的速度和准确率。

他们采用了各种图像增强和特征提取算法，如边缘检测、形态学变换、色彩空间转换等。

同时，他们还使用了自动阈值选择和分块处理等技术来进一步优化算法。

例如，在一篇研究中，研究人员使用形态学变换和自适应阈值分割算法，成功实现了对杂草和健康作物的准确区分，达到了98%以上的分类准确率。

这种方法虽然相对于机器学习算法不需要大量标注数据，但是需要专业的图像处理知识和技术。

除了图像处理算法和机器学习算法之外，另一种方法是使用多种数据源进行综合分析。

例如，在一篇研究中，研究人员使用了多光谱图像、热红外图像和三维测量数据等多种数据源，综合考虑植物的生长情况和形态特征，成功地实现了杂草和健康作物的准确分类。

|四川农业与农机/2023年4期|>>>李万福张洪¤陈天虹西南科技大学生命科学与工程学院，四川绵阳摘要：我国是人口大国也是粮食消费大国，保障我国粮食安全生产是关系到国计民生的大事。

杂草是农田作物生产的阻碍之一，而杂草识别技术是实现杂草分布监测、农药精准喷施、杂草精准防除的前提。

本文就几种常见杂草识别技术的研究现状及在常见农田作物中的应用进行了概述，并讨论了杂草识别技术存在的问题及优化措施，以期为我国智能杂草防除系统的建立提供参考。

关键词：杂草识别技术；农田作物；杂草防除*基金项目：国家现代农业产业技术体系四川创新团队油菜草害绿色防控技术集成应用岗位(SCCXTD-2023-03)。

作者简介：李万福(1998年-)，在读研究生。

研究方向：农艺与种业。

E-mail ：liwanfu347069843@ 。

¤通讯作者：张洪（1983年-），博士，讲师。

研究方向：植物保护。

E-mail ：**********************.cn 。

我国的杂草危害十分严重，能造成约10%的作物产量损失。

常见农田杂草防除主要依靠化学药剂防除，然而不科学大面积施用除草剂会造成土壤和作物中农药残留、环境污染、加速杂草群落更替等问题[1]。

因此，寻求生态、高效的除草方法受到广大研究者的关注。

通过杂草识别技术搭配智能除草机器人或精准变量喷洒装置等，能够做到杂草的精准识别和防除，而精准作业的前提便是杂草识别技术。

因此，分析杂草识别技术的研究及应用现状，可为我国农田杂草绿色防治方案的制定提供参考，对实现农业杂草精准防治、农药减量增效、耕地环境保护，具有重要作用[2]。

1杂草识别技术国内外研究现状目前，国内外对于农田杂草识别技术已开展了大量研究，并取得一定成效。

传统的识别技术主要包括机器视觉识别法、光谱分析法和光谱成像法。

当前的研究热点是基于深度学习的识别方法，因其方便、高效而被广泛应用于杂草识别中[3]。

基于机器视觉的田间杂草识别方法研究的开题报告一、研究背景和意义随着现代农业的发展，除了预测气候和管理土壤以提高农业生产力之外，化学农药和机械处理也被广泛应用以控制杂草。

在现代农业中，合理使用化学农药是一个主要的策略，但是不当使用可能会导致不良后果，如对环境和人类健康的负面影响，对土壤生态系统的破坏等。

根据美国环保署的一份报告，每年可能有数百万人受到农药的污染，其中包括儿童和农民。

因此，发展一种更安全，更可持续的杂草管理方法是非常必要的。

机器视觉技术在农业中的应用已经引起了广泛的关注，其可以提高农业生产效率和降低成本。

随着深度学习技术的发展和计算机硬件性能的提高，机器视觉技术在农业中被广泛应用。

其中，杂草检测和分类便是其中的一项关键技术。

本研究通过机器视觉和深度学习技术，研究一种新的基于机器视觉的田间杂草识别方法，该方法能够有效地检测和分类杂草，以降低农业生产成本和对环境的影响。

二、研究内容和方案本研究的主要研究内容是：1. 收集农田中常见的杂草图像数据。

2. 使用卷积神经网络(CNN)进行训练和分类，通过迁移学习的技术，使用ImageNet预训练网络的权值初始化来提高训练效率和分类精度。

3. 在训练过程中，主要考虑数据样本的数量和质量、网络结构的优化和参数调试。

4. 对所选的数据集进行预测和测试，使用评价指标(如准确率，精确率和召回率)对所训练的网络进行评估。

5. 分析实验结果，并对研究方法进行总结和探讨。

三、研究进展目前，我们已经完成了数据集的收集和处理，利用深度学习算法进行杂草图像分类的初步实验，并获得了较好的分类效果。

我们计划进一步提高算法的鲁棒性和实现遥感图像中的杂草分类，以适应现代农业生产的需求，为农业提供更可持续、环保的管理方法。

四、预期结果和意义预期结果是：开发出一种基于机器视觉的田间杂草识别方法，达到较高的分类精度和可重复性。

研究意义主要有以下几个方面：1.提高农业生产效率和降低成本。

第15期2023年8月无线互联科技Wireless Internet TechnologyNo.15August,2023基金项目:吉林省科技发展计划项目;项目名称:基于数据挖掘技术的全基因组选择方法研发及云计算平台体系构建;项目编号:YDZJ202201ZYTS692㊂作者简介:高皓章(1995 ),男,甘肃天水人,硕士研究生;研究方向:计算机视觉㊂∗通信作者:唐友(1979 ),男,黑龙江龙江人,教授,博士;研究方向:生物信息学,农业信息化㊂基于TransUnet 的田间杂草分割研究高皓章1,2,唐㊀友1,2∗,辛㊀鹏1,朱国东3(1.吉林化工学院,吉林吉林132022;2.吉林农业科技学院,吉林吉林132101;3.一汽东机工减振器有限公司,吉林长春130001)摘要:农业生产是人类生存的基础,而农作物的生长过程中总是受到杂草的影响,造成农作物的减产,因此实现田间杂草的智能分割具有重要意义㊂文章采用TransUnet 算法模型进行田间杂草分割,旨在提高分割的准确性和效率㊂TransUnet 是一种新型的深度学习网络㊂该模型的训练使用了公开数据集,并结合迁移学习的思想对模型进行了优化㊂本实验通过测试和评估,发现经过迁移学习的TransUnet 模型在田间杂草的分割任务中表现突出,其像素准确率可以达到97%以上㊂此外,文章还对模型进行了可视化分析,证实了模型的实用价值和应用前景㊂综上所述,TransUnet 模型对于杂草的分割有积极效果㊂希望本研究成果可以为计算机视觉技术在农业行业的应用提供更多的思路和借鉴㊂关键词:杂草分割;语义分割;机器视觉;深度学习中图分类号:TP391.41㊀㊀文献标志码:A 0㊀引言㊀㊀农业生产是国人关注的民生问题,粮食问题也一直处于国家战略核心地位㊂大豆作为重要的经济作物,我国每年进口量占据全球总出口量的近六成㊂大豆生长过程中存在众多因素制约大豆的最终产量,其中杂草的消极影响非常明显,杂草不止争夺豆苗生长过程中所需的土地肥力,也容易滋生病害传染豆苗㊂因此,在农业生产中,识别出作物与非作物,解决作物生长环境中的杂草是不可避免的重要任务㊂在传统生产过程中,处理杂草一般是用喷洒农药的方式,但这种方法不仅效率低下,还会造成人力浪费和环境污染㊂随着计算机技术的不断发展,机器学习和计算机视觉技术得到了广泛的应用㊂为了实现无污染除草,研究者需要找到理想的作物与杂草图像分割算法,帮助机器人实现自动除草,这对未来农业有重大意义㊂目前,计算机技术在农业发展中发挥着越来越重要的作用,而图像分割是目前图像处理技术中最理想的方法之一,但是分割算法仍有很大的改进空间㊂本研究使用大豆田间杂草分割数据集,旨在提高对自然环境下杂草进行识别分割的精度与效率,这将驱动农机装备升级,为杂草的精准识别做出贡献㊂1㊀相关研究1.1㊀深度学习算法㊀㊀卷积神经网络[1]在计算机视觉领域中的应用一直是主流方式之一,它的应用范围涵盖了图像分类㊁目标检测以及语义分割等各种任务㊂在不同的变体算法模型中也是最常见的基础算法,但是卷积神经网络由于其像素级的运算对计算机的运算负担过大,严重影响着实际应用中的效率和速度,所以研究人员提出了多种优化方案,如减少卷积核数量或者使其与其他算法融合创新等㊂Version Transformer 的设计基于上下文关系的注意力机制,自2021年由Google 团队提出后[2],便受到研究者的广泛关注㊂该模型将输入的图像分割成一个个小块,将每个小块看作是单独的向量,经过全连接层的编码及Transformer多头注意力机制的处理,使各个小块之间的语义关系不被运算所掩盖[3]㊂这种模型设计在各计算机视觉领域的应用效果也得到广泛认可㊂TransUNet算法旨在通过融合卷积神经网络和Transformer,弥补Transformer在特征处理方面的不足㊂该算法利用CNN提取更加细致的像素细节,并使用12个Transformer层对CNN特征提取模块中获得的特征向量进行长距离上下文建模[4],从而关注到全局信息,表现更加卓越㊂此外,TransUNet算法采用了U形结构,以减少在提取细致像素信息的过程中的损失,并通过加入Transformer对空间细节进行补充,从而提高了分割效果㊂1.2㊀植物叶片分割研究㊀㊀在智慧农业中,准确分割植物叶片是植物表型检测工作以及机器人作业规划的关键步骤㊂为了提高植物叶片分割精度,众多研究者基于叶片的形状㊁颜色等特征进行分割㊂Omrani等[5]利用K均值聚类算法对多种植物叶片进行识别及分割㊂该算法以聚类中心的特征分布,完成对目标区域的叶片划分,最终将分割结果映射回原图像㊂最后,他们采用支持向量机对不同植物叶片进行分类检测㊂Praveen Kumar 等[6]提出了一种基于深度卷积神经网络的植物叶片分割算法㊂该算法主要运用DCNN来提取目标区域中的叶片信息,并通过正交变换,实现对莲座植物叶片的精确分割㊂在分割过程中,他们还使用了CMYK 颜色空间来进行去噪处理,从而进一步提高对叶片边缘的检测效率[7]㊂邹龙等[8]提出了一种LU-ReNet 模型,结合使用Unet和ResNet模型结构㊂该模型保证了植物叶片有高的分割准确度,同时提高了模型的泛化能力[9]㊂2　材料和方法2.1㊀数据集㊀㊀本文的数据集来源于公开数据集:https://doi. org/10.15454/JMKP9S,该数据集使用六波段的多光谱相机采集于真实的大豆种植基地,并考虑了多种天气因素的影响㊂此外,每张图像中叶片的多边形边界都考虑了真实的地形情况,使得数据集中包含各种天然杂草,与本研究的内容和目标高度契合㊂虽然对该数据集的语义分割挑战并不多,本实验仍确定在此数据集上进行实验,为后续的研究提供基础依据和支持㊂2.2㊀实验准备㊀㊀该数据集中的每张图片基本具有1200ˑ900的分辨率㊂然而,分辨率过高会导致对计算机的运算负担过大㊂本实验在参数设置时将图片的预处理分辨率设置为496ˑ496㊂实验环境为两个4110处理器和NVIDIA RTX3090GPU平台,使用的是Linux系统, Pytorch框架和Anaconda环境,学习率设置为0.0025, Epoch设置为300,Batch Size设置为6㊂2.3㊀算法说明㊀㊀TransUNet算法采用了CNN与Transformer的融合结构㊂该算法借鉴了U型结构并结合卷积神经网络提取的高分辨率特征信息与Transformer编码的全局上下文信息[4],实现了图像上采样还原㊂具体而言,算法采用了Transformer作为编码器[10]㊂在该步骤中,首先对输入图像进行序列化㊂若输入图片大小为HˑW,图像块大小为PˑP,则分割数量为N=(HˑW)/(PˑP)㊂接着进行跳跃连接,以提取精确的低级细节来提高分割细节㊂Chen等[11]对跳跃连接的数量进行了消融实验,发现添加更多的跳跃连接通常会带来更好的分割性能㊂TransUNet的算法结构如图1所示㊂2.4㊀迁移学习㊀㊀图像分割中,迁移学习能够充分利用已有的训练数据和模型,从而加快模型的训练过程㊂通过将已有模型的部分或全部参数应用于新的分割任务,可以大大减少模型所需的训练时间和数据量,并且可以提高分割的精度和效果㊂此外,迁移学习可以在不同领域之间传输知识㊂例如,将在自然图像领域上训练得到的模型应用于医学图像分割或航空图像分割领域,都能取得明显的效果提升㊂因此,本实验引入迁移学习,将其他实验的训练权重作为本实验初始化权重㊂首先,引入迁移学习提升了算法训练速度㊂其次,使用大数据预训练权重,极大地提高了叶片分割精度㊂但由于算法结构的不同,直接引用迁移学习存在不适配问题,因此在初始化过程中,实验增加了权重自适应调整,使得迁移学习权重文件适应本算法结构㊂通㊀㊀图1㊀TransUNet 算法结构过权重自适应代码,可以更加便捷地实现迁移学习的可替代性,增加实验代码的替代集成化㊂3㊀评价指标㊀㊀本实验采用了多种评价指标来评估该算法在大豆田间杂草数据集上的表现,如平均交并比mIoU ,像素准确率Accuracy ,模型准确率和召回率的加权平均值F 1Score ,召回率Sensitivity ,特异度Specifity ,Dice 相似系数等㊂mIoU :它是交并比(Intersection over Union,IoU )的平均值,其中交集指的是预测的分割结果和真实标签的交集,而并集则是两者的并集㊂mIoU 的计算方式就是对图像中每个像素的IoU 求平均数:mIoU =1/N ˑð(x ,y )(TP /(TP +FN +FP )),其中,TP 表示真阳性(True Positive ),TN 表示真阴性(TrueNegative),FN 表示假阴性(False Negative),FP 表示假阳性(False Positive)㊂像素准确率Aaccuracy :即预测正确的像素数量除以总像素数,计算方式为:Aaccuracy =(TP +TN )/(TP +FP +TN +FN )㊂在U -Net 模型预测二分类问题中,像素准确率通常需要和其他指标一起考虑,以全面地评估模型预测能力㊂F 1-score 是评估二分类模型精度的一种常用指标,它是模型准确率和召回率的加权平均值㊂F 1-score 值越高,表示模型预测的准确性和召回率都比较高㊂Sensitivity 用于衡量所有实例中被正确地预测为正类的比例㊂Specificity 用于衡量负例中被正确预测为负例的比例㊂Dice 系数是基于集合的相似性度量,计算公式为:Dice =2ˑTP /(2ˑTP +FP +FN )㊂本实验评价指标的记录,如表1所示㊂表1㊀算法结果评价指标指标数值mIoU 0.8162Accuracy 0.9665F 1Score0.8428Sensitivity 0.8867Specifity0.9755Dice0.8428㊀㊀从以上所有的评价指标所示信息可知,由于使用了迁移学习,实验能达到较高性能水平,多种方式也能全面地对实验性能给出合理的评价㊂4㊀结语㊀㊀为解决田间杂草的分割问题,本文利用Transformer 与卷积神经网络结合算法TransUNet 在杂草分割数据集上进行实验,验证了该算法在此数据集上的可行性与优越性㊂从评价指标结果可知,该算法在此数据集上的表现也非常出色,效果显著,验证了Transformer与卷积神经网络结合的算法设计思路的可行性,为后期实验的算法设计提供了参考,也为杂草分割研究提供了新的实验方案㊂对于分割效果来说,目前还有很大的提升空间㊂具体而言,在边缘精细程度和微小目标识别方面,仍需要进一步优化㊂本实验的结果并不是杂草分割实验的最终成果,而仅仅是该研究的起始实验㊂未来的研究将在本实验的基础之上展开,以进一步完善该算法的分割能力㊂参考文献[1]周飞燕,金林鹏,董军.卷积神经网络研究综述[J].计算机学报,2017(6):1229-1251.[2]田永林,王雨桐,王建功,等.视觉Transformer研究的关键问题:现状及展望[J].自动化学报,2022 (4):957-979.[3]何伟,刘佳欢.英汉语小句间逻辑语义关系及表征方式对比研究[J].北京科技大学学报(社会科学版),2019(2):1-17.[4]王媛媛,董芳,尚丽娜,等.基于改进TransUnet网络的血管内超声图像边界提取方法研究[J].中国生物医学工程学报,2023(1):41-50.[5]OMRANI E,KHOSHNEVISAN B,SHAMSHIRBAND S,et al.Potential of radial basis function-based support vector regression for apple disease detection[J]. Measurement,2014(55):512-519.[6]PRAVEENKUMAR J,DOMNIC S.Rosette plant segmentation with leaf count using orthogonal transform and deep convolutional neural network[J].Machine Vision and Applications,2020(31):1-2.[7]刘阳歆.植物叶片图像分割算法研究[D].桂林:广西师范大学,2022.[8]邹龙,吕惠,宋然.LU-ReNet植物叶片分割与计数模型[J].农业机械学报,2022(1):253-260. [9]孙俊,谭文军,毛罕平,等.基于改进卷积神经网络的多种植物叶片病害识别[J].农业工程学报,2017 (19):209-215.[10]LI X,CHEN H,QI X,et al.H-DenseUNet:hybrid densely connected UNet for liver and tumor segmentation from CT volumes[J].IEEE transactions on medical imaging,2018(12):2663-2674.[11]CHEN J,LU Y,YU Q,et al.Transunet: Transformers make strong encoders for medical image segmentation[EB/OL].(2021-02-08)[2023-08-21].https:///abs/2102.04306.(编辑㊀李春燕)Research on field weed segmentation based on TransUnetGao Haozhang1 2Tang You1 2∗Xin Peng1Zhu Guodong31.Jilin Institute of Chemical Technology Jilin132022 China2.Jilin University of Agricultural Science and Technology Jilin132101 China3.Faw East Mechanical Shock Absorber Co. Ltd. Changchun130001 ChinaAbstract Agricultural production is the basis of human survival and the growth of crops are always affected by weeds resulting in crop production reduction.Therefore it is of great significance to realize the intelligent segmentation of weeds in the field.In this study the TransUnet algorithm model was used for weed segmentation in the field aiming to improve the accuracy and efficiency of segmentation.TransUnet is a new type of deep learning network.The training of the model uses the public data set and the model is optimized by combining the idea of transfer learning.In this experiment through testing and evaluation it is found that the TransUnet model after transfer learning performs outstanding in the field weed segmentation task and its pixel accuracy can reach more than97%.In addition the visual analysis of the model is carried out which confirms the practical value and application prospect of the model.In summary the TransUnet model has a positive effect on weed segmentation.It is hoped that the results of this research can provide more ideas and references for the application of computer vision technology in the agricultural industry.Key words。