基于低空无人机影像和改进Faster R-CNN的棉田杂草识别方法

来源：石河子大学学报·自然科学版杂志2022年第4期北京时间：

作者：易佳昕, 张荣华, 刘长征, 侯彤瑜, 罗宏海

单位：1 石河子大学信息科学与技术学院,新疆 石河子 832003;<br/>2 石河子大学农学院,新疆 石河子 832003

摘要：为实现杂草精准防控、快速识别棉田杂草,本文基于低空无人机技术拍摄棉田苗期影像,以幼苗和杂草为研究对象,提出了一种改进FasterR-CNN的棉田杂草识别方法。改进1:特征提取网络采用融合FPN的ResNet50代替VGG16来训练模型,并对比VGG16、ResNet50和MobileNetv2的分类效果;改进2:针对FasterR-CNN模型设计适合小目标的锚尺度,其中对应的anchor尺度为{8×8,16×16,32×32},比例为{1∶2,1∶1,2∶1};改进3:训练过程在通过特征提取阶段后,采用双线性插值操作,避免两次量化对物体识别产生的影响;改进4:添加2个Dropout层,分别在特征提取网络之后的2个全连接层上,避免模型产生过拟合现象,增加了网络的鲁棒性。研究表明:融合FPN的ResNet50训练的的平均精确率比VGG16提高了3.82%,与ResNet50和MobileNetv2相比分别高出5.05%和18.38%,说明FasterR-CNN使用融合FPN的ResNet50具有最佳的性能,改进的FasterR-CNN模型对单张图像平均识别时间为0.289s,平均精确率为89.19%;与YOLOv5s检测算法相比,改进的方法平均精确率提高了4.93%,表明本文方法在平均检测精度和平均识别时间占据一定的优势,具有更强的拟合性能。本文方法为精准除草提供一定的可行性和推广性,为实现田间杂草防控奠定理论基础。

关键词：无人机遥感,深度学习,Faster R-CNN,棉田杂草,识别与定位

基金资助：新疆生产建设兵团重大科技项目(2018AA004)