文摘

草损伤幼苗玉米田一直是一个重要因素影响作物的生长和发育。草的存在不仅压缩生活空间的玉米幼苗,还容易导致虫害。因此,它是至关重要的在幼苗玉米田除草。现有的除草方法通常使用手动或化学除草剂喷洒,这不仅费时费力,而且效率低下。随着人工智能的发展和现代农业技术,为田间除草机器人的使用已经成为一种有效手段,这吸引了越来越多的国内外研究者的关注。因此,全面调查的基础上,国内外相关技术的发展,本文进行了研究领域的实时目标识别和测距方法除草机器人和提出的目标识别方法除草玉米在苗期使用智能传感器网络和深度学习卷积神经网络。其中,智能传感器主要用于目标测距避障,和CNN主要用于目标识别。玉米幼苗的图像和自然环境条件下苗期的杂草样本,迁移训练是通过深度网络模型进行可可数据集,和卷积特性由CNN深度共享网络模型和Fast-CNN深度网络模型。VGG和ResNet特征提取网络进行了比较。实验结果表明,基于本文CNN深度网络模型在强奸和杂草目标识别具有明显的优势。 The target recognition accuracy of rape and weeds can reach 87.64%, and the recall rate can reach 80.23%. Compared with other models, it has obvious advantages, which proves the effectiveness of this model.

1。介绍

玉米是中国的主要粮食经济作物之一,具有较高的营养价值,是一种美味佳肴在人们的日常生活。它的产量和种植面积也在中国占据主要地位1]。与此同时,玉米也是一种重要的工业原料,可以处理3500多种工业产品。它是世界上最适合工业化的食物品种,也是的主要作物之一,推动农民增加收入(2,3]。然而,近年来,由于深化建设用地和农用地之间的矛盾,可种植玉米的土地变得越来越少。因此,在有限的土地种植更多的玉米已成为研究的主题之一。如何识别并去除杂草幼苗的玉米田是一个重要的研究领域4- - - - - -7]。

众所周知,野外草地破坏一直是影响作物生长和发育的一个重要因素。杂草在地里不仅对土壤中的养分与作物竞争争夺有限的增长空间和阳光,这很容易诱发灾害领域,严重影响田间作物的生长和发育,甚至会导致作物产量降低。在中国现有的除草方法通常采用手动或化学除草剂喷洒,不仅消耗大量的人力,材料,但也有低效率和金融资源,无法满足农业发展的迫切需要8- - - - - -10]。人工除草的效率很低,劳动力成本太高,不适合现场操作。喷洒大量的化学杀虫剂不仅污染了环境,也不利于田间作物的生长和发育。与此同时,它也会产生药物残留等问题,及其副作用不应被低估。

随着人工智能的发展和现代农业,为田间除草机器人的使用已经成为一种有效的手段来达到一个绿色,环保,低碳,和有效的方法去除杂草,这有利于农民的农业生产和管理,具有十分重要的意义,促进现代信息技术和传统的深度集成在中国农业领域(11- - - - - -13]。

在过去的10年里,大量的农业信息化项目在中国已经成功地实现,取得了丰硕的成果,比如土壤和作物信息的收集,精确实现水的药和肥料,和关键技术的建议,如设施农业环境控制(14),逐渐提高了精准农业的生产方式。越来越多的研究人员开始将其应用于目标探测和识别领域。Girsick et al。15)提出了一种基于区域卷积神经网络目标探测方法(R-CNN)。该方法使用选择性搜索(SS)算法来生成候选区域中提取目标的特征。虽然解决问题的培训少量有限的标记数据来生成高质量的模型,它不执行在特征提取效率和记忆占领。随后,为了解决在R-CNN冗余特征提取的问题,王et al。16)提出了一种快速R-CNN模型,极大地提高了目标探测和识别的性能,采用自适应尺度池操作。他等。17- - - - - -19)提出了一种空间金字塔池水平视觉识别方法基于卷积网络深处,放松限制的输入图像数据的大小,从而大大提高了识别精度。任等。20.)提出了快速R-CNN模型,它是由区域网络(RPN)和快速R-CNN建议。区域建议网络用于取代选择性搜索算法,解决了瓶颈问题的大型时间开销在计算区域的建议,并使实时目标检测和识别成为可能。同时,快速R-CNN模型广泛用于车辆检测领域(21- - - - - -23),遥感图像地物识别(24),外观缺陷检测(25,26),行人检测和识别(27- - - - - -29日),和现场图像检测(30.- - - - - -32]。上面的除草机器人的出现可以帮助人们完成除草工作在一定程度上,减少劳动强度,减少农药的使用,保护农村生态环境,促进果园机械的自动化和智能,提高玉米种植生产的效率。

可以看出有许多花园除草机器人在国内外的研究;特别是在国外,除草机器人已经广泛应用于各种农田。然而,对于中国来说,很少有相关研究,及相关产品不仅相对较少,也大多是进口产品,具有大型和昂贵的购买价格的特点,所以它不便于广泛使用它们。它已经推迟了玉米田的机械化和现代化过程管理。除草机器人的自适应能力在苗期玉米的非结构化特点是不够的,导致无法准确地避免障碍和田园管理的自动化程度较低。

因此,针对现有农村除草机械的缺陷,本文设计了一种新的农村避障和除草机器人的结构,可以根据不同的需求,选择不同的空间,提高自适应能力的除草机器人在复杂环境中,减少人工劳动力的损耗,减少环境污染,提高除草效率,消除土壤硬化,改善土壤的理化性质,扩大玉米在苗期的生长空间,增加玉米的产量,促进玉米种植机械,自动化和智能,提高玉米生产的效率。

2。概述和智能传感器技术的研究现状和卷积神经网络技术

基于多源信息融合的智能感知机器人的支撑技术之一。它可以全面分析环境和工作对象的类别和属性来实现智能感知的目的。机械除草是消除杂草的要求在不损害作物。因此,感知技术主要包括作物行识别技术和杂草识别技术。其中,作物的感知主要取决于装备智能传感器的除草机器人,而作物和杂草的识别主要依赖于图像识别技术和智能识别算法。

2.1。智能传感器技术

传感器技术是信息技术的三个基础之一。传感器的应用更广泛,从小型组件变形金刚和飞机等大型机器。传感器的使用也给人们带来更多的快速发展很多电子元件。同时,同时促进各种组件的发展,科学技术的不断进步,传感器也迅速发展并逐步走向智慧。智能传感器技术的发展的必然趋势。与传统的传感器相比,智能传感器具有突出优势和高性价比和信息处理功能。智能传感器技术已逐渐成为一种重要的符号来衡量国家信息化的程度33]。

一个智能传感器,也被称为集成传感器,是一种智能传感元件,集成数据传输和数据的能力和有自己的微处理器,可以简单地计算和处理一些简单的数据。其主要特点是体积小和快速数据采集速度和数据传输速度。也证实了上述原因,这种类型的传感器近年来也被广泛使用。它的主要组件包括以下:a / d和d / a转换器,收发器,微控制器,和放大器,等。有许多研究国内外智能传感器技术、相关技术研究和突破在不同领域极大地促进了智能传感器技术的发展,同时也极大地促进了智能设备在各个领域的进步,包括农业的进步辅助设备(34,35]。

2.2。卷积神经网络

在人工智能领域和深度学习,卷积神经网络的主流趋势和关键技术,发展迅速。目前,卷积神经网络发展迅速,广泛应用于许多领域,已经在许多领域取得了里程碑的地位。领域的深度学习,卷积神经网络是最常用的。1998年,勒存36)提出了经典LeNet-5网络,如图1。

卷积神经网络已引起了相关学者的注意,并继续发展和进步。与传统的网络相比,卷积神经网络有许多优点。它使用本地连接和实现重量共享通过反向传播算法,大大减少了参数的数量,优化网络,降低了模型的过度拟合。卷积神经网络结构包括卷积层、汇聚层,等。池层降低了网络的复杂性,提高了模型的鲁棒性。此外,卷积神经网络具有良好的容错性,自适应性能和很强的学习能力。

卷积神经网络包括两个部分。第一部分是特征提取。卷积神经网络将每个图像像素值的矩阵和输出模式我们要分类。在卷积层,它主要用于提取图像的边缘和特性,通常由卷积核。它主要是神经元工作。每个神经元与上层接受域连接形成一个独特的连接模式。激活功能主要是将非线性功能添加到网络中,这样的模型可以应用到复杂的情况。激活函数经常使用乙状结肠激活函数的二元分类问题和ReLU激活函数图像识别和分类的问题。池是将采样的过程模型。第二部分是分类和识别,主要指的是完整的连接层,通常作为分类器。 The neurons in each layer are tiled, and the extracted features are weighted and summed and finally outputted. The simple convolutional neural network structure is shown in Figure2。

2.2.1。褶积层

卷积层是卷积神经网络特征提取的关键部分。卷积层链接本地感知目标图像数据和保留输入图像的空间特性,从而达到两个目的的特征提取和降维处理。卷积层包含许多大小不一的卷积核。卷积核移动根据一定的步长,执行卷积操作与移动窗口中,输入相应的点积,原始图像的两个矩阵,和核心是一种特殊的线性操作。获得的值保存在一个新的矩阵,并通过快速生成一个新的输出计算得到一个新的特征映射。常见的运算包括单通道和多通道卷积,卷积如图3和4。

2.2.2。池层

池层主要用于提取地图的主要特征特性,减少计算量,减少内存使用量,减少参数的数量,扩大接受域,降低模型的复杂度,防止过度拟合现象的发生,实现规模和空间不变性。池操作上执行不同的通道,通道的数量不会改变,控制参数通常不是必需的。池平均和最大池经常使用。池平均和最大池的操作过程基本相同,但结果出乎意料,在特定情况下完全不同的,因为操作的变量选择是不同的。这两种类型的池方法如图5和6。

2.2.3。激活函数

卷积神经网络需要激活操作后的数据与卷积层和汇聚层,这就需要引入网络连接每一层的激活函数的神经网络。激活功能帮助网络学习添加复杂的模型和网络中增强非线性表达能力。常见的激活功能包括以下。(1)乙状结肠激活功能:乙状结肠激活函数的图像类似于一个“s”型曲线,这是一个指数函数的形状,如图7。函数定义公式所示(1下面) (2)双曲正切激活函数,也类似于“s”型曲线,称为双曲正切激活函数。如图8函数定义公式所示(2下面) (3)ReLU函数是最常用的和主流功能深度学习。如图9函数定义公式所示(3下面)

根据ReLU激活函数的图像,当函数的输入是正的,倒数是恒定的,也没有所谓的梯度饱和问题。它的收敛速度和计算速度远远超过其他两个激活功能,运行时可以大大节省时间。因此,综合考虑选择ReLU激活函数作为激活函数。

2.3。除草机器人的研究现状

为了实现绿色、无污染的增长领域作物在整个生命周期和农业的可持续发展领域,许多科学研究人员他们的研究集中于农业移动机器人领域的自动除草,旨在减少化学农药的使用,以减少环境污染和农产品药物残留化学农药的大量使用造成的(21,24]。同时,农业的出现和使用移动机器人不仅可以代替人类完成枯燥而重复的农业工作也开展高效和可持续操作在不同的室内和室外环境中,最终有效地提高生产效率,解放人类的手。因此,自然增长条件下的环境中,如何准确、快速地识别并去除杂草田间作物的农业移动机器人领域扮演重要的角色在实现智能化管理。

目前,有许多研究除草机器人。有关机器人的外观可以多种形式,和函数是复杂多样的,几十个的数量。其中,对于hortibot机器人,有超过20种杂草除草机器人。此外,还有无数的机器人开发国内外玉米和其他作物。图10显示了一些常用的外观在玉米田除草机器人。

3所示。在玉米田间杂草识别方法基于智能传感器网络和苗期CNN网络

3.1。数据采集

玉米和杂草在这个实验的图像数据被收集在一个玉米田从5月10日到15日,2021年。时间是9:00-12:00点。和13:00-16:00点。每一天。在这个时候,玉米在苗期的目标是,在这个时期和太阳是丰富的。在收购过程中,图像的玉米幼苗和杂草生长在自然条件下收集的三个方向:头,,45°斜视,采集步骤严格执行。图像数据采集设备采用高清数码相机,佳能EOS模型6 d Mark II摄像头,图像分辨率 ,和所有JPEG格式的图像。

在拍摄过程中,由于幼苗的生长周期和拍摄时间的限制,照片直接起初并不完全适用,和照片的数量也是有限的。只收集了400多有用的照片,所以相关照片应该处理,包括垂直和水平推翻原来的照片,以及色彩饱和度和亮度处理。这些照片从这个处理在图所示11。其中,照片是原始图像,B是原始图像的数据图像水平翻转后,C是垂直翻转后的数据,D饱和后的突破提高1.5倍,E是图像饱和后降至0.5倍,和F是图像亮度增强后的1.2倍。上述操作的主要目的是扩大数据的数据源和更好地利用。为了使样本更好使用的模型中,我们使用代码来对样品进行预处理,将所有类型的照片同样,并设置他们的比率7:3,其中0.7是用于训练模型,基于智能传感器和Fast-CNN模型构造,1680张照片用于培训;0.3是用于测试的模型,基于智能传感器和Fast-CNN模型构造,720张照片用于测试。

3.2。设计的玉米幼苗和杂草识别网络基于智能传感器和CNN

整个除草机是由机器视觉系统中,控制系统的工具,行走系统和防撞系统。每个系统之间的数据通信是主要通过PCI总线。机器视觉系统主要由摄像机、卷积神经网络图像处理系统和用户界面。首先,打开相机,相机中的数据转移到通过PCI图像处理系统,并将其显示在用户界面上。由图像处理系统处理结果传送给该工具通过PCI控制系统和行走系统。根据这个结果,工具的位置和转速,以及除草机的前进方向和速度调整。

3.2.1之上。图像采集系统

的相机图像采集模块是前面提到的佳能EOS 6 d Mark II相机,这是直接通过USB接口连接到电脑。这个模块主要完成图像采集TensorFlow2.0框架上运行,采集频率是每秒30帧。为了从摄像头获取图像,它们必须从第一帧读取逐帧。读取的信息数据在相机功能,在用户界面显示获得的实时视频,并观察相机的拍摄情况。

3.2.2。图像预处理

过程中信息采集、传输、终端处理,预处理的原始图像容易受到噪音和光线的影响,导致图像退化。在系统研究图像信息之前,需要进行图像预处理,有选择地突出图像中的有用信息并去除干扰信息。一般来说,它包括图像灰色、去噪、二值化、和数据增强,等一些处理结果如图12。

3.2.3。幼苗定位模块

为了防止玉米幼苗的根被机器人的运动过程中除草,常常需要依靠智能传感器和图像识别技术来识别幼苗的根,避免他们在散步。一般来说,植物幼苗的叶子是均匀分布在植物的茎。植物是一个单杆。阀杆是垂直连接到植物的根,叶和茎和叶柄连接比叶柄薄得多。因此,整个图像可以被描述为一个结构与凸缺陷轮廓。两个叶子之间必须是凸缺陷轮廓,和凸缺陷的最低点应两者之间的交叉树叶。,树上的叶子都被阻止,所以几个轮廓点的中心杆的位置和植物的根。的具体算法过程目标根位置如图13。

3.2.4。模型算法

CNN网络由特征提取网络深处,区域推荐网络(RPN)和ROI子网(ROI)。VGG-16卷积神经网络(CNN)用于特征提取网络提取输入图像的特性,形成一个功能图,并分享与区域推荐网络卷积特性。特征提取网络包括卷积13层和5池层。每个卷积层采用非线性ReLU激活函数作为激活函数,卷积核的大小 。每个池层采用Max池的形式。最后,特征提取网络分为5个部分,每个部分是通过池层连接。以第一部分为例,这部分形成根据卷积+激活函数的组合(ReLU) +马克斯池。卷积层两层,组成的 卷积核和64通道数。

3.2.5。算法的评价指标

为了评估该模型的有效性在解决强奸和杂草的目标识别,准确率和召回率两个指标用于评价模型。值的范围 。具体评价计算公式如下:

在哪里指的准确性,指的召回率,指正确地确定了强奸和杂草的数量目标,指错误地认定强奸和杂草的数量目标,和是指未被强奸和杂草的数量目标。

3.3。模型的改进

因为玉米幼苗和杂草在复杂背景的图像很容易受到光照和角度的影响,这将产生色差或部分阻塞,本文提出了一种改进的卷积神经网络(CNN)的特征提取玉米幼苗和杂草,可以提取绝缘子特性更准确和完全。具体过程如下:

步骤1CNN:尽管不同层的特性模型可以表达目标的特性和属性不同的水平,例如,底部的卷积特性包含更多位置信息,仍存在主要缺陷特征提取。因此,引入Fast-CNN可以更适合目标位置。

步骤2:介绍高级功能的意义。高级功能更好的目标语义和适合目标分类和噪声过滤。

步骤3:使用超像素分割图像,然后计算每个超像素的意义基于每个超级像素得到的协方差特征大致显著的地区。

步骤4:提取特征通过区域模块化和地方复杂性比较,最后,输入改进Fast-CNN模型显著区域检测。这种方法避免了耗时的CNN模型的完整图像搜索。

4所示。测试结果和性能评估

为了选择一个更好的深度网络模型和一个合适的网络特征提取,我们选择不同深度的神经网络模型实验,包括传统的CNN模型和改进的Fast-CNN模型。同时,由于特征提取对该模型的建设非常重要,我们成对这两个模型与不同特征提取网络(VGG-16 ResNet-50, resnet - 101)并进行了相同的测试。

模型试验中,模型的损失值的变化与迭代的数量,以及精度和召回率,选择为基础判断模型是否好或坏。不同的模型试验结果从这个数字所示14和15。图14显示的损失价值的变化模型,传统的CNN模型在三种不同的特征提取网络条件下。图15显示了改善CNN的损失值的变化模型,Fast-CNN模型,三种不同条件下的特征提取网络。它可以看到从图的变化14对于普通的CNN模型,在三个不同的特征提取网络,损失价值的变化的模型基本上是相同的;,迭代次数的增加,模型的损失值逐渐降低,最终减少10 - 2三分,但不同的是,下降率的损失价值shiyongvgg-16de特征提取网络的模型明显优于其他两个神经网络,和整体损失值也较小,所以它可以区分。使用VGG-16特征提取网络可以有效地减少模型误差,提高模型的准确性歧视,和有良好的鲁棒性,同时保证网络的训练速度。整体模型图的变化15在图基本上是一样的吗14。不同特征提取网络的变化规律也显示了同样的情况,传统的CNN模型,但不同的是,改进Fast-CNN模型对整个执行更好,和最终的损失价值也比普通的CNN模型。特别是对于VGG-16特征提取网络,熟练速度更快,损失值趋于稳定在100迭代。可以看出,改进的Fast-CNN模型具有更高的识别率和效率对玉米幼苗和杂草。

表1反映了两种不同模型的回忆和准确性在六个不同的特征提取网络环境。从六个不同的模型在表的结果1可以看出,召回率和精度数据,仅使用Fast-CNN (VGG-16)是优于其他五个模型的精度和召回率。其预测精度高达87.64%,召回率为80.23%。玉米幼苗和杂草的歧视效应在其他网络具有良好的性能相对较低。的准确率Fast-CNN (resnet - 101和ResNet-50)是81.34%和82.35%,分别和召回率为80.01%和77.19%,分别,这是类似于前面的数据。因此,可以看出Fast-CNN对任何特征提取网络有很好的效果。然而,CNN模型,其整体精度差,精度最高仅为73.49%,最低的召回率接近65.42%。从这些数据可以看出,改进的CNN模型明显优于普通CNN模型的精度和召回率。同时,比较不同模型的检测时间为一个图像,可以看出,普通的CNN模型更有优势,和它的时间短于改进的CNN模型。然而,根据各种指标的性能分析,改进的CNN模型更有优势。

综上所述,实验分析结果表明,基于VGG-16 Fast-CNN深网络模型特征提取网络展示了目标识别的明显的优势在地里的玉米幼苗和杂草。结果表明,幼苗和杂草的识别精度高于其他深层神经网络模型,并验证模型的实用性本文构造。

5。结论

作为国民生活的核心材料,粮食作物也与生存的生命线。然而,近年来,住房需求增加及农田不足的矛盾下,越来越少的农业土地是留给玉米和其他粮食作物。与此同时,也有杂草和其他危害。为了解决上述问题,本文进行了玉米除草机和目标识别的研究得出了以下结论:(1)本文以田间作物和杂草为研究对象,以准确、高效的识别和区分作物和杂草的除草机器人的前提下,指出多目标测距和除草路径规划技术是研究的关键(2)全面调查的基础上,国内外相关技术的发展,本文进行了研究领域的实时目标识别和测距方法除草机器人的目标识别方法,并提出除草玉米在苗期使用智能传感器网络和深度学习卷积神经网络。其中,智能传感器主要用于目标测距避障,和CNN主要用于目标识别(3)基于TensorFlow2.0深度学习框架,CNN深网络模型构建了基于不同特征提取网络通过图像的玉米幼苗和苗期的杂草在自然环境条件下样品;通过迁移训练的深度可可数据集的网络模型,结果表明,构造模型可以确定玉米幼苗的杂草(4)使用卷积特性由CNN共享网络模型和Fast-CNN深度网络模型,VGG和ResNet特征提取网络进行了比较。实验结果表明,基于VGG-16 Fast-CNN深网络模型特征提取网络显示了目标识别明显的优势在地里的玉米幼苗和杂草。结果表明,幼苗和杂草的识别精度高于其他深层神经网络模型,并验证模型的实用性本文构造

数据可用性

本文中使用的数据集可以从相应的作者。

的利益冲突

作者宣称,关于这项工作他们没有利益冲突。

确认

作者承认2022年全国大学生创新与创业培训项目(项目号:X202210712321)。这项研究是由陕西省的重点研发项目(2019纽约- 175)。