基于改进Faster R-CNN与迁移学习的农田杂草识别算法

来源：中国农机化学报杂志2022年第10期北京时间：

作者：尚文卿, 齐红波

单位：石家庄工程职业学院信息工程系，石家庄市，050024

摘要：杂草是导致农作物减产不保量的重要因素，针对田间自然环境下杂草识别精度低和识别范围局限的问题，提出一种基于改进Faster R-CNN与迁移学习的农田杂草识别算法。首先，采集多场景下不同时段不同角度的杂草图片，通过旋转、裁剪和调节色彩等方式扩充数据集；然后，在原始Faster R-CNN网络的基础上利用改进的双阈值非极大抑制算法（NonMaximum Suppression，NMS）查找置信度较高的边界框；最后，将AlexNet、GoogleNet、VGG16和ResNet50等作为模型的区域建议网络，并将其最优模型参数迁移至农田杂草识别任务中。通过在多样本数据集和少量物种样本数据集上进行测试验证，试验结果表明，算法可以实现96.58%的精确率、94.82%的召回率和95.06%的F1-score，相比当前主流算法在保持识别精度较高的基础上，具有更广的识别范围。

关键词：杂草识别,FasterR-CNN,迁移学习,双阈值非极大抑制算法

基金资助：河北省高等学校科学技术研究项目（QN2019139）；赛尔网络下一代互联网技术创新项目（NGII20180112）；大学生科技创新项目（KJ2020G036）