文献类型： 中文期刊

作者： 雷雪梅 ¹ ; 张光强 ² ; 姚旗 ³ ; 刘伟渭 ⁴ ; 邱帅 ⁵ ;

作者机构： 1.四川化工职业技术学院智能制造学院

2.国家农业智能装备工程技术研究中心

3.西北农林科技大学农学院

4.西南交通大学机械工程学院

5.西南大学人工智能学院

关键词： 农机机具;卷积神经网络;图像识别;深度学习

期刊名称： 中国农机化学报

ISSN： 2095-5553

年卷期： 2022 年 43 卷 005 期

页码： 140-147

收录情况： 北大核心

摘要： 基于农机物联网技术的农机作业监管系统通过采集机具图像来判断农业机具类型和作业状态,但是由于图像数据量大,人工抽查方式工作量大、效率低,难以满足监管识别需求.构建包括播种机、翻转犁、起垄机、深松机和旋耕机等类型的图像数据集,并在Google公司的深度学习平台Tensorflow下对机具图像数据集进行标注和图像预处理.设计针对实际监管需求和图像特点的卷积神经网络模型,并通过减少过拟合与提高训练效率对模型进行优化.模型训练试验结果显示:本文设计的机具识别网络在验证集上的识别率达到98.5%,相同试验条件下,LeNet-5模型在验证集上的识别率为81%,ResNet-50模型在验证集上的识别率为98.8%,但是在识别效率上,ResNet-50模型完成训练需要近60 h,识别一张图片需要0.3 s,而本文设计的机具识别网络完成训练仅需要30 h,识别一张图片只需要0.1 s.为进一步验证模型的实用性,选取200张图像进行测试,测得模型对各类机具图像的精确度平均值为98.47%,召回率平均值为98.37%,F1-score平均值为98.41%,表明模型具有良好的鲁棒性,实用性良好.