基于低空无人机影像和改进Faster R-CNN的棉田杂草识别方法

作者：易佳昕; 张荣华^*; 刘长征; 侯彤瑜; 罗宏海

来源：石河子大学学报(自然科学版), 2022, 40(04): 520-528.

DOI：10.13880/j.cnki.65-1174/n.2022.23.007

• 无人机遥感
• 深度学习
• Faster R-CNN
• 棉田杂草
• 识别与定位

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Faster R-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Faster R-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Faster R-CNN使用融合FPN的ResNet50具有最佳的性能，改进的Faster R-CNN模型对单张图像平均识别时间为0.289 s,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。

• 单位
  石河子大学