杂草识别
杂草识别的相关文献在1999年到2022年内共计161篇,主要集中在自动化技术、计算机技术、农业基础科学、植物保护
等领域,其中期刊论文131篇、会议论文9篇、专利文献248311篇;相关期刊69种,包括无线互联科技、农机化研究、农业工程学报等;
相关会议8种,包括2012年西南三省一市自动化与仪器仪表学术年会、第十六届全国分子光谱学学术会议、纪念中国农业工程学会成立三十周年暨中国农业工程学会2009年学术年会(CSAE2009)等;杂草识别的相关文献由407位作者贡献,包括毛文华、毛罕平、陈树人等。
杂草识别—发文量
专利文献>
论文:248311篇
占比:99.94%
总计:248451篇
杂草识别
-研究学者
- 毛文华
- 毛罕平
- 陈树人
- 张小超
- 邓向武
- 陈勇
- 朱伟兴
- 王一鸣
- 邓巍
- 金小俊
- 何东健
- 张长利
- 梁松
- 沈宝国
- 何雄奎
- 吴明毅
- 孙艳霞
- 张立强
- 李先锋
- 杨玉婷
- 杨鹤帆
- 王月青
- 王有鹏
- 王璨
- 王秀
- 田淑梅
- 祖琴
- 蒋红海
- 谈蓉蓉
- 赵博
- 赵春江
- 马旭
- 魏新华
- 黎玉常
- 齐龙
- A·格拉德巴赫
- B·基佩
- B·斯特普纳特
- D·雷克斯泰纳
- F·福伊斯
- S·海尔韦格
- T·施灵
- 丛建民
- 乔永亮
- 于佳琳
- 兰玉彬
- 刘保玲
- 刘波
- 刘洋
- 初广丽
-
-
李彧;
余心杰;
郭俊先
-
-
摘要:
杂草是危害农业和林业生产的三害之一,对农业生产、生态环境、生物多样性等均会造成一定的危害。要解决杂草问题首先需要对杂草实现高效准确的识别,通过拍摄新疆旱地玉米大苗田间图像构建数据集,提取玉米苗与杂草2类标签,使用全卷积神经网络(FCN)准确地分割2类目标实现杂草识别。利用图像翻转、镜像、对比度增强、亮度增强等4种增广方法扩增数据集,利用迁移学习技巧,对模型采取非初始参数训练,提升模型识别准确率。结果表明,选择的U-Net模型识别效果最佳,能够有效地克服阴天光照、地膜等因素干扰,实现杂草的快速准确识别,验证集识别正确率96.13%,能够满足杂草识别的实际要求。
-
-
刘莫尘;
高甜甜;
马宗旭;
宋占华;
李法德;
闫银发
-
-
摘要:
为实现田间环境下对玉米苗和杂草的高精度实时检测,本文提出一种融合带色彩恢复的多尺度视网膜(Multi-scale retinex with color restoration,MSRCR)增强算法的改进YOLOv4tiny模型。首先,针对田间环境的图像特点采用MSRCR算法进行图像特征增强预处理,提高图像的对比度和细节质量;然后使用Mosaic在线数据增强方式,丰富目标检测背景,提高训练效率和小目标的检测精度;最后对YOLOv4tiny模型使用K-means++聚类算法进行先验框聚类分析和通道剪枝处理。改进和简化后的模型总参数量降低了45.3%,模型占用内存减少了45.8%,平均精度均值(Mean average precision,mAP)提高了2.5个百分点,在Jetson Nano嵌入式平台上平均检测帧耗时减少了22.4%。本文提出的PruneYOLOv4tiny模型与Faster RCNN、YOLOv3tiny、YOLOv43种常用的目标检测模型进行比较,结果表明:PruneYOLOv4tiny的mAP为96.6%,分别比Faster RCNN和YOLOv3tiny高22.1个百分点和3.6个百分点,比YOLOv4低1.2个百分点;模型占用内存为12.2 MB,是Faster RCNN的3.4%,YOLOv3tiny的36.9%,YOLOv4的5%;在Jetson Nano嵌入式平台上平均检测帧耗时为131 ms,分别是YOLOv3tiny和YOLOv4模型的32.1%和7.6%。可知本文提出的优化方法在模型占用内存、检测耗时和检测精度等方面优于其他常用目标检测算法,能够为硬件资源有限的田间精准除草的系统提供可行的实时杂草识别方法。
-
-
陈启;
陈慈发;
邓向武;
袁单飞
-
-
摘要:
杂草分类的研究大多集中在服务器端模型,而该类模型存在规模较大、占用较多计算资源、计算速度较慢、准确率不高等问题,以ResNet50和MobileNetV3;arge模型为基础,采用数据增强、迁移学习来进行快速训练,在训练中通过设置加权Softmax损失函数的权重,最后再利用精度高的服务器端模型指导和优化移动端模型,从而得到一个轻量模型。试验结果表明,本文轻量模型相比移动端模型MobileNetV3;arge,在模型大小变化不大的情况下,识别准确率提升1.2%;相比服务器端模型ResNet50,准确率提升0.78%,平均每张推理时间减少7.8%,模型大小减少80%,本研究可为杂草精准施药的实施应用提供理论基础和技术支持。
-
-
金小俊;
孙艳霞;
陈勇;
于佳琳
-
-
摘要:
本文以狗牙根草坪及其伴生杂草毛花雀稗、白三叶以及莎草为研究对象,提出了一种基于深度学习的草坪杂草识别及除草剂喷施区域检测方法。通过将原图划分为若干格子区域,利用神经网络模型对格子图片进行杂草识别,实现杂草定位并进而确定除草剂喷施区域。为探究不同神经网络模型对杂草识别的效果,选取VGGNet模型、GoogLeNet模型和ShuffleNet模型,分别以F_(1)值、准确率和识别速度进行对比分析。验证集下所有模型的F_(1)值都高于0.97,表明本研究中的三个模型对于杂草都有较好的识别效果。其中,GoogLeNet模型为杂草识别最优模型,拥有最为均衡的识别率和识别速度。其在测试集的平均准确率和识别速度分别为98.75%和36.9 fps,能够用于草坪实时杂草识别应用。结果表明,本研究提出的草坪杂草识别与除草剂喷施区域检测方法具有高度的可行性和较优的应用效果,可用于基于除草剂精准喷施的草坪杂草防控。
-
-
李东升;
胡文泽;
兰玉彬;
范明洪;
李翠云;
朱俊科
-
-
摘要:
使用深度学习精准识别杂草实现使用农药减量、增效、安全的目标受到研究人员的广泛关注。因此综述近年来国内外使用深度学习算法对不同作物的杂草进行识别检测的研究进展,重点从数据获取、算法选择、优化部分、识别效果等方面总结研究现状,指出其在数据集建立费时费力、田间识别精度低、算法设备部署困难、实时性与准确率不能兼得等方面的问题,并提出解决方案,同时展望数据集建立简易和准确,算法模型结构轻量和鲁棒性强,便于部署移动设备的发展趋势以及未来应用的方法,为后续杂草精准化清除研究提供参考。
-
-
李兆旭;
蒋红海;
杨肖;
曹志鹏
-
-
摘要:
除草是保证农业丰产的重要环节,杂草识别是自动化除草的关键。为了满足在中小型除草机器人上的使用,将轻量级深度学习模型MobileNet-SSD应用于杂草识别。选取豆角苗和杂草作为实验对象,将实验目标细分为大目标和普通目标,针对大目标改动了MobileNet-SSD模型的特征层。对比原模型、改动模型和标准SSD模型,以MobileNet作为主干网络时识别速度提升了2倍。改动模型比原模型在普通目标检测上精度降低了3.15%,对大目标检测精度提高了3.23%。实验表明:MobileNet-SSD模型与改动模型都具有体积小、识别率高、检测速度快等优点,在检测普通目标与大目标时各有优劣。
-
-
胡灵炆;
周忠发;
尹林江;
朱孟;
黄登红
-
-
摘要:
无人机可见光遥感具有经济成本低、起降方式灵活等优点,在监测苗期油菜缺苗和植株数量方面具有较好的应用前景。采用大疆Phantom 4 Pro V2.0四旋翼无人机获取油菜种植区的可见光影像,设置1个实验区和4个验证区,对比分析土壤、油菜苗、杂草等地物目标红(R)、绿(G)、蓝(B)波段的DN值,根据各波段DN值的正态分布特性和比值关系构建绿蓝红差异指数(green-blue-red difference index,GBRDI)。利用GBRDI对油菜种植区可见光影像进行计算,绘制不同地物的直方图,将其交点作为图像分割阈值对油菜苗植株进行提取,并与常见的过绿指数(excess green,ExG)、差异植被指数(visible-band difference vegetation index,VDVI)、归一化绿蓝差异指数(normalized green-bule difference index,NGBDI)的提取结果进行对比。结果表明:相较于ExG、VDVI、NGBDI,GBRDI从杂草等背景地物中提取油菜苗效果更好,精度92.93%,完整性83.63%;在4个杂草长势复杂的验证区,GBRDI指数提取油菜苗的精度和完整性均比VDVI、ExG、NGBDI更高;GBRDI能快速准确地提取油菜苗,分离杂草和土壤等背景地物,可为油菜精细化耕作提供技术参考。
-
-
方璇;
金小俊;
陈勇
-
-
摘要:
杂草是造成作物减量、增加生产成本和降低经济增益的重要因素之一。传统杂草识别技术识别效率低,难以适应复杂环境。随着人工智能技术特别是深度卷积神经网络(Deep Convolutional Neural Networks, DCNN)的快速发展,其在杂草识别中的应用愈趋广泛,成为了最具发展潜能的识别方法。不同于以往杂草识别方法分类进行研究现状的综述,从研究对象的角度出发,分别对玉米等农作物、蔬菜等经济作物和草坪进行综述,并将识别方法集中于深度学习(Deep Learning, DL)等人工智能领域。研究中包括但不限于图像分割、杂草预处理、检测、定位及分类。查阅文献发现玉米是农作物中主要的研究对象,经济作物中则是生菜与甜菜,草坪研究起步虽晚但发展迅速,在上述作物的杂草识别中深度学习方法较传统识别方法均取得了更高的准确率及精度,更适于复杂环境中的检测。
-
-
尚文卿;
齐红波
-
-
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F_(1)-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。
-
-
王璨;
武新慧;
张燕青;
王文俊
-
-
摘要:
针对实际复杂田间场景中作物与杂草识别准确性与实时性差,易受交叠遮挡影响,像素级数据标注难以大量获取等问题,该研究提出基于移位窗口Transformer网络(Shifted Window Transformer,Swin Transformer)的高效识别方法,在实现作物语义分割的基础上快速分割杂草。首先建立玉米语义分割模型,引入SwinTransformer主干并采用统一感知解析网络作为其高效语义分割框架;改进SwinTransformer主干调整网络参数,生成4种改进模型,通过精度与速度的综合对比分析确定最佳模型结构;基于玉米形态分割,建立改进的图像形态学处理组合算法,实时识别并分割全部杂草区域。测试结果表明,该研究4种改进模型中,Swin-Tiny-UN达到最佳精度-速度平衡,平均交并比为94.83%、平均像素准确率为97.18%,推理速度为18.94帧/s。对于模拟实际应用的视频数据,平均正确检测率为95.04%,平均每帧检测时间为5.51×10s。该方法有效实现了玉米与杂草的实时准确识别与精细分割,可为智能除草装备的研发提供理论参考。
-
-
- 《第十五届全国分子光谱学学术会议》
| 2008年
-
摘要:
杂草在田间非均匀分布,为了减少除草剂的用量和减轻污染,应采取化学除草剂精确施药技术,其关键在于实时识别杂草。目标探测与识别是精准施药技术体系的主要研究内容之一,是精准施药技术的关键环节。杂草光谱识别因其快速性、实效性、成本低、易形成商业化等特点,在各种杂草识别技术中具有明显的优势。本文主要从杂草光谱识别的研究意义、研究现状、理论依据、存在的问题、及发展方向等方面进行了论述。
-
-
毛文华;
胡小安;
张小超
- 《中国农业机械学会2006年学术年会》
| 2006年
-
摘要:
本文主要介绍了基于机器视觉的田间杂草识别系统.系统硬件主要由摄像机、图像采集卡、计算机、电气控制箱、移动车架等组成.系统软件由位置特征识别和形状特征识别两大主体模块构成.在室内对该系统进行了田间杂草识别试验,试验结果表明:对3~4叶期的模拟玉米田场景中杂草的识别准确率达到了80%左右,杂草的错误识别率仅为8%左右;在时间效率方面,采集并处理768×288×24 bit大小的图像,平均耗时为500 ms.
-
-
顾桂梅
- 《2012年西南三省一市自动化与仪器仪表学术年会》
| 2012年
-
摘要:
针对喷雾机器人多传感器数据的不完整性,提出了一种基于粗糙集的多层次规则集数据融合算法.首先根据植物特征属性,建立植物种类决策表,然后从决策表出发,建立一个不同简化层次的多层次节点集,并推导出各个节点的规则集,其中每条规则都有相应的置信度.在应用该多层次规则集进行推理决策时,用新数据的信息与相应节点的规则相匹配,最后选用综合评判算法,得到杂草识别的最快融合算法.
-
-
-
-
-
王树文;
张长利;
房俊龙
- 《2005年中国农业工程学会学术年会》
| 2005年
-
摘要:
为了有效地减轻农业生产的强度,提高劳动生产率,保护环境,本文综合运用计算机视觉技术、图像处理技术、人工智能等,建立了一个杂草自动识别系统,实现田间杂草的自动识别.田间杂草的识别是准确使用除草剂有效的依据,对提高农作物产量、降低成本、生产出满足消费者需求的无害产品是非常重要的.首先,通过计算机视觉系统获取带有复杂的背景物的杂草图像,利用图像预处理的滤波去噪、图像分割、图像增强等多种基本图像处理的方法对杂草图像进行了处理.其次,利用彩色图像的颜色特征和形态特征从复杂的土壤背景环境下分离出植物(作物和杂草),应用形态学中的膨胀和腐蚀方法对形状上有明显差别的植物和杂草进行分离,并对杂草区进行标识.本文中可变阈值分割方法和"栅格"技术的采用,使该计算机视觉系统节省了时间,提高了精度和识别处理的速度.实验证明从复杂的土壤背景下识别出杂草,成功率达到96%.
-
-
-