科研之友
微信
新浪微博
Facebook
分享链接
摘要
为了解决田间复杂的环境使传统图像处理对杂草识别精度差的问题,该研究对8种常见的杂草进行采集,数据集由17 509张带有标签的图像组成,采用迁移学习的方式对田间杂草进行识别,并对训练出的模型进行微调,使其进一步提高识别的准确率。对VGG 19、Inception V4、ResNesXt 101和NASNet-mobile 4种模型进行比对,选用模型参数小且准确率高的NASNet-mobile模型,并将其部署到云服务中。云服务端使用Gin搭建模型交互,用于识别杂草并返回识别信息;使用CSS和Java script语言及Element封装的组件开发前端服务,用于实现数据的采集、上传与信息反馈。NASNet-mobile模型在部署的服务器中的性能达到了每幅图像的平均时间为285 ms,对8种杂草准确率达到91.43%,对于扁轴木与飞机草识别率达到98%,可为田间杂草信息检测和调查提供技术支持。
- 单位
