一种改进的少样本农作物目标识别算法研究

作者：张瑞森; 万兴鸿; 高昕

来源：软件工程, 2022, 25(01): 10-13.

DOI：10.19644/j.cnki.issn2096-1472.2022.001.003

• 少样本学习
• 农作物识别
• 数据增强
• 鲁棒性

为解决在农田无人巡检过程中农作物目标智能识别的问题,将Cycle-GAN网络与Faster RCNN网络相结合构成了一种新的能支持少样本学习的网络模型,其中Cycle-GAN网络被用于提供数据增强。文中主要阐述了该网络的结构,并且对玉米、花生与豆子三种作物的种植地在不同的天气条件下进行了测试,对不同农作物的最优和最差识别率分别是96.53%和96.25%。实验证明,通过两者的结合能够提供更好更快的农作物识别和检测,新的少样本农作物目标识别模型具有较好的鲁棒性。

• 单位
  成都工业学院