基于机器学习和无人机图像的棉花密度识别研究

文献类型： 中文期刊

第一作者： 张静

作者： 张静;王清茹;雷亚平;王占彪;韩迎春;李小飞;邢芳芳;范正义;李亚兵;冯璐

作者机构：

关键词： 图像分类;机器学习;棉花密度;迁移学习;卷积神经网络

期刊名称： 中国棉花

ISSN： 1000-632X

年卷期： 2021 年 009 期

页码： 6-10,29

摘要： 随着人工智能的发展,机器学习正逐渐应用于大田信息化管理,可以节约时间、减少劳动用工。利用无人机获取6个密度（1.5万株·hm-2、3.3万株·hm-2、5.1万株·hm-2、6.9万株·hm-2、8.7万株·hm-2、10.5万株·hm-2）棉田的RGB图像,以数据增强技术扩大数据集,通过机器学习算法的不同模型（支持向量机、VGGNet16、GoogleNet、MobileNetV2）实现不同密度棉田图像的识别分类,并对比了不同模型的图像识别效果。基于支持向量机模型的方法是利用尺度不变特征变换对数据集进行特征提取,将其作为分类器的输入向量进行图像分类;该模型的平均分类识别准确率为74.18%。基于3种卷积神经网络模型（VGGNet16、GoogleNet、MobileNetV2）的方法是结合迁移学习并搭配Adam优化算法对模型进行微调,自动提取数据集特征并重新训练;其分类识别准确率均在90%以上。结果表明,相较于传统机器学习,3种卷积神经网络模型训练对不同密度棉田图像的分类识别准确率更高。比较4种神经网络模型的测试集验证结果,GoogleNet和MobileNetV2模型的平均分类识别准确率达到98%;结合模型评估指标精确率、召回率、F1分数可知,这2种模型的性能较好。该研究表明了深度学习算法对不同密度棉田图像分类的有效性,探索的图像识别方法和优选模型可为棉花大田信息化管理提供技术支持。

分类号：

  • 相关文献

[1]基于MS-PLNet和高光谱图像的绿豆叶斑病病级分类. 余骥远,高尚兵,李洁,陈新,李士丛,张浩淼,袁星星,唐琪. 2023

[2]基于卷积神经网络的柑橘病害叶片分类算法. 施宇,李敏. 2022

[3]机器视觉结合深度学习对荔枝估产的算法研究. 高翔,陈福展,董力中,卢嘉威,李媛媛,凡超,陈万云. 2024

[4]稀疏分层概率自组织图实例迁移学习方法. 吴蕾,田儒雅,张学福. 2016

[5]基于迁移学习的嫩江市主要农作物遥感分类. 吴禹瑨,李禹萱,宋茜,任超,冷佩. 2023

[6]基于CNN的作物分类识别图像获取平台研究进展. 张倩,王明,于峰,陶震宇,张辉,李刚. 2024

[7]基于机器视觉的农作物病害识别研究进展. 麻剑钧,刘晓慈,金龙新,熊伟,易森林,封春芳,刘阳,夏先亮. 2023

[8]用于高光谱图像分类的归一化光谱指数的构建与应用(英文). 张东彦,赵晋陵,黄林生,马雯萩. 2014

[9]RADARSAT-2全极化SAR数据地表覆盖分类. 程千,王崇倡,张继超. 2015

[10]基于烟花算法降维的高光谱图像分类. 崔颖,宋国娇,陈立伟,刘述彬,王立国. 2017

[11]基于二进制编码的烟花聚类算法. 李雪源,崔颖. 2016

[12]基于深度学习与多尺度特征融合的烤烟烟叶分级方法. 鲁梦瑶,周强,姜舒文,王聪,陈栋,陈天恩. 2022

[13]Stacking Learning在高光谱图像分类中的应用. 徐凯,崔颖. 2018

[14]遥感图像分类中混合像元分解方法研究. 吴黎,张有智,解文欢,王鹏,刘媛媛,李栓. 2011

[15]基于深度学习分类模型的4种果树物候期识别. 钟丹,李宗南,王思,黄平,邱霞,蒋怡. 2023

[16]基于可见光谱和改进注意力的农作物病害识别. 孙文斌,王荣,高荣华,李奇峰,吴华瑞,冯璐. 2022

[17]多核学习算法及其在高光谱图像分类中的应用研究进展. 李广洋,寇卫利,陈帮乾,代飞,强振平,吴超. 2021

[18]基于深度学习的刺网与拖网作业类型识别研究. 汤先峰,张胜茂,樊伟,裴凯洋. 2020

[19]基于IRMAnet的全生育期小麦品种识别研究. 冯永强,刘成忠,韩俊英,鲁清林,刘立群,邢雪. 2024

[20]基于ASAR数据的水稻制图最佳时相参数提取. 杨沈斌,赵小艳,申双和,李秉柏,谭炳香. 2009

作者其他论文 更多>>

微信小程序