导读:本文包含了杂草识别论文开题报告文献综述、选题提纲参考文献，主要关键词:卷积,神经网络,杂草,图像,深度,特征,视觉。
杂草识别论文文献综述写法
刘彩玲,岳荷荷[1]（2019）在《基于局部金字塔描述算子的杂草种子识别》一文中研究指出基于P-SIFT和P-SURF描述算子来研究杂草种子图像的自动识别性能,其中每个图像分片均使用多层次的描述算子细节表示,这些层次依据局部空间合并分辨率定义。在特征提取部分采用叁种编码技术,即BOW模型,Locality-Constrained Linear Coding算法和Fisher Vector模型来提高分类性能;在分类部分采用Sparse Representation Classifier (SRC),Label Consistent K-SVD (LC-KSVD)和SVM分类器,其中SVM使用RBF和Histogram Intersection Kernel核函数。P-SIFT和P-SURF描述算子在使用叁层空间金字塔和叁层特征金字塔时取得了最高89.7%和86.2%的识别率,与SIFT和SURF描述算子相比较识别率有了很大提高。实验结果表明,在传统的局部描述算子基础上,基于特征金字塔描述算子来提取特征和基于空间金字塔来合并特征可以提高分类性能。(本文来源于《物联网技术》期刊2019年11期）
彭明霞,夏俊芳,彭辉[2]（2019）在《融合FPN的Faster R-CNN复杂背景下棉田杂草高效识别方法》一文中研究指出为实现田间条件下快速、准确识别棉花与杂草,该文以自然光照下田间棉花与杂草为研究对象,采用垂直向下拍摄的方式获取棉花杂草视频,按1帧/s的速率从视频中提取图像,在人工去除冗余度过多的图片后,建立1 000幅图片的数据集。对比了Faster R-CNN和YOLOv3 2种典型卷积神经网络,将Faster R-CNN卷积神经网络的深度学习模型引入到棉花杂草图像识别中,并提出一种结构优化的方法,使之适用于复杂背景下的棉田杂草识别。该文选用残差卷积网络提取图像特征,Max-pooling为下采样方法,RPN网络中引入特征金字塔网络生成目标候选框,对卷积神经网络结构进行优化。在使用700幅图片进行训练后,通过200幅田间棉花杂草图像识别测试,结果表明:该方法的平均目标识别准确率达95.5%,识别单幅图像的平均耗时为1.51s,采用GPU硬件加速后识别单幅图像的平均耗时缩短为0.09s。优化后的Faster R-CNN卷积神经网络相对于YOLOv3平均正确率MAP高0.3以上。特别是对于小目标对象,其平均正确率之差接近0.6。所提方法对复杂背景下棉花杂草有较好的检测效果,可为精确除草提供参考。(本文来源于《农业工程学报》期刊2019年20期）
张有春[3]（2019）在《基于卷积神经网络的杂草快速识别研究》一文中研究指出图像识别是除草机器人的一项基础关键研究。为了能提高农作物和杂草的识别率以及便于识别物特征的提取,提出了基于卷积神经网络的识别方法。以农田中的杂草和农作物为试验对象设计了网络结构。该网络结构的参数较少,准确率达到了92.08%,且处理每张图片的时间仅为0.82 ms。(本文来源于《安徽农业科学》期刊2019年14期）
孙俊,谭文军,武小红,沈继锋,芦兵[4]（2019）在《多通道深度可分离卷积模型实时识别复杂背景下甜菜与杂草》一文中研究指出针对实际复杂田间环境下杂草与作物识别精度低和实时性差的问题,为减少弱光环境对分割识别效果的影响,实现甜菜与杂草的实时精确分割识别,该文首先将可见光图像进行对比度增强,再将近红外与可见光图像融合为4通道图像;将深度可分离卷积以及残差块构成分割识别模型的卷积层,减少模型参数量及计算量,构建编码与解码结构并融合底层特征,细化分割边界。以分割识别精度、参数量以及运行效率为评价指标,通过设置不同宽度系数以及输入图像分辨率选出最优模型。试验结果表明:本文模型的平均交并比达到87.58%,平均像素准确率为99.19%,帧频可达42.064帧/s,参数量仅为525 763,具有较高分割识别精度和较好实时性。该方法有效实现了甜菜与杂草的精确实时识别,可为后续机器人精确除草提供理论参考。(本文来源于《农业工程学报》期刊2019年12期）
尚万增[5]（2019）在《田间图像中杂草群落特征识别的研究》一文中研究指出近些年来利用机器视觉识别田间杂草并进行变量喷洒除草剂成为现代精细农业发展方向,但传统的图像处理技术多应用在对单植株或者小区域的杂草识别,针对此问题,本论文以杂草群落作为主要研究对象,提出叁种不同的提取杂草群落特征的方法,有效地来解决提取杂草群落特征这个关键性问题。主要工作内容包括以下几个部分:(1)采用非下采样剪切波算法(NSST)对杂草群落进行特征识别提取,首先介绍了所用到实验样本图像的特点,对非下采样剪切波的原理做了简单的介绍,并分析了它在表征各向异性信息时的优点,详细介绍了非下采样剪切波算法具体的实现步骤并给出了流程图,同时对于不同灰度图像、不同分割大小、不同尺度和不同识别算法对识别率的影响都给出了详细分析。最后得出在HSV(H)灰度图像分块大小为128×128像素第叁尺度采用SVM分类识别算法识别效果最好的结论,采用的SVM算法的鲁棒性最强,其平均识别率可以达到66.6%,最高识别率可以达到71.7%。(2)基于交互方法提取ROI区域中的二值掩模图像,通过数据聚合和相似度匹配得到杂草群落特征图像,利用不同的识别算法对特征图像中的特征值进行识别分类,在不同掩模图像下决策树(Tree)、支持向量机(SVM)、K最近邻算法(KNN)、以及Bagging算法四种算法的平均识别率在87.0%~89.4%之间。(3)由于手动获取ROI区域算法的实时性和性较差,且该算法需要手动获取ROI区域中部分掩模图像作为数据聚合的模板,受人为主观因素的干扰。提出自动获取ROI区域的算法,该算法摒弃了手动提取掩模图像这一步骤,能够较快的提取杂草群落特征,算法的实时性得到保障,同时采用SVM分类识别算法,对提取到的特征值进行分类识别,其识别率达到89.9%,能够达到本课题的实验预期要求。(本文来源于《广西科技大学》期刊2019-06-10）
岳国良,路艳巧,常浩,孙翠英[6]（2019）在《一种基于可见光巡检图像的杂草智能识别方法》一文中研究指出目前电力巡检主要是采用无人机巡检的方式,针对无人机巡检获取的图像识别过程中,电力设备旁的杂草可能会造成安全隐患,需要对图像中的杂草进行识别。针对电力巡检的场景,提出了一种基于可见光巡检图像的杂草智能识别方法,以可见光巡检图像中杂草的特征为基础,结合卷积神经网络方法,解决可见光巡检图像中电力设备附近的杂草识别问题。通过对图像进行样本数据增广和预处理,接着引入区域生成网络,再对图像提取固定个数候选框的图像特征,和改进的图像分类网络连接在一起,得到最终的卷积神经网络模型。实验表明其准确率可以达到97.98%,检测一幅600×600大小图像需要花费的平均时间约为0.256 s,在保证了准确率的同时达到了高效识别的要求。(本文来源于《中国电力》期刊2019年11期）
王敬贤[7]（2019）在《基于卷积神经网络和迁移学习的农作物病害和杂草图像识别研究》一文中研究指出作物病害和杂草类型的自动识别对提高作物产量和品质意义重大。数字图像处理用于农作物病害和杂草识别通常要进行图像分割过程,当大田光线变化或背景复杂时会影响图像分割的效果,进而降低后续的识别率。另外,这种方法需要大量特征的提取,计算复杂度过高会降低识别效率。针对这些问题,本文将卷积神经网络(Convolutional Neural Network,CNN)算法用于农作物病害和杂草的自动识别研究中。本文以卷积神经网络算法为基础,针对农业领域海量样本难以获取并标注的问题,引入迁移学习的策略来缓解过拟合现象。主要研究内容和创新点有:(1)针对小数据样本训练深度网络产生的过拟合问题,研究基于浅层CNN模型的农作物病害和杂草识别方法。一方面,探讨了网络深度对作物和杂草识别结果的影响。通过构建6种不同深度的CNN,研究了适合我们的病害和杂草数据集的网络模型,并完成了作物病害和杂草特征的自动提取。另一方面,探索了 CNN的训练机制对病害识别结果的影响。对于农作物病害数据集过小引起的过拟合问题,我们使用相关的PlantVillage数据集来获得预训练模型,并调整参数使其适应到我们的数据集。(2)针对单一CNN识别模型各有所长,能够融合使用提高识别准确率的思想。本文研究了基于深度CNN模型集成和参数微调的农作物病害和杂草识别方法。首先使用数据增强技术来扩充数据集规模,然后本充分利用4种单一的深度CNN网络框架从大数据集中学到的先验知识进行训练和参数微调,缓解数据源不足引起的过拟合问题。最后,通过训练多个神经网络模型并使用直接平均法和加权法将其预测结果进行合成来进一步提高农作物病害和杂草识别的准确率。(3)针对深层CNN模型和参数微调策略识别速度较慢,不利于实际应用的问题,提出基于CNN瓶颈层特征提取的农作物病害和杂草识别系统。该系统将深度CNN模型与基于瓶颈层特征提取的迁移学习策略相结合。利用Inception-v3和具有不同参数的Mobilenet网络作为底层特征提取器进行特征提取,然后通过分类模型对农作物病害和杂草进行识别。在此理论基础上,我们开发了基于Mobilenet模型的农作物病害识别系统和基于Inception-v3模型的玉米杂草识别系统。(本文来源于《中国科学技术大学》期刊2019-05-01）
赵轶,刘堂友[8]（2019）在《基于卷积神经网络的田间杂草识别方法研究》一文中研究指出田间农作物杂草的有效识别对于提高自动化除草效率、增加农作物产量具有重要的意义。传统的杂草识别方法需要人为设计并提取特征,流程复杂,识别率低。为此提出基于卷积神经网络的杂草识别方法。首先,构建以卷积层、激活层、池化层、全连接层组建的深度卷积神经网络模型,然后使用该模型对杂草图像进行自动特征提取,从而有效完成对杂草的正确识别。实验结果表明,卷积神经网络模型对杂草识别的正确率要大大优于传统方法,而且无需进行人工特征工程,未来将具有广泛的应用前景。(本文来源于《计算机仿真》期刊2019年04期）
王鹏飞[9]（2019）在《基于深度学习的玉米田间杂草识别技术及应用》一文中研究指出我国是一个农业生产大国,重农固本是安民之基、治国之要。发展精准农业,实现农业的自动化和信息化发展已成为必然趋势。依靠图像识别技术识别农作物中的田间杂草,再利用机械或者化学药剂等方式清除杂草,可以有效的减少田间杂草对农作物的危害,提高作物产量与品质。同时,相对于普通连续喷雾的方式,利用图像识别技术进行除草还可以减少环境污染,有利于实现农业的可持续发展。玉米是我国重要的粮食作物,在我国的粮食作物中,其种植面积仅次于水稻、小麦,2018年,玉米的种植面积达到了6.32亿亩(4200万公顷)。本文以玉米及其伴生杂草为研究对象,结合深度卷积网络强大的特征提取能力和哈希码便于存储和快速检索的特点,以提高杂草图像识别准确率为目标,展开了相关研究工作,主要研究内容如下:(1)提出了一种基于卷积网络和二进制哈希码的杂草分类识别网络。该网络结合深度卷积网络强大的特征提取能力和哈希码便于存储和快速检索的特点,有效地将高维杂草特征进行压缩,在全连接层之后,设计并添加了哈希层结构,对提取到的玉米和杂草图像的全连接层特征值进行转换,然后计算相应的图像之间的空间距离并按照降序对其进行排序,并通过设计相关对比试验确定杂草分类识别网络的结构与超参数,实现玉米及其伴生杂草的分类。试验表明该方法平均准确率为97.73%,其中对玉米、刺儿菜、灰菜、莎草、早熟禾的正确识别率分别为98.67%、98%、96.67%、98%、97.33%,取得较好的分类效果。(2)实现了一种基于Mask R-CNN杂草分割网络。研究对比了常见的图像分割网络及其结构和训练过程,利用平均精度均值指标对基于Mask R-CNN杂草分割网络进行测试,试验结果表明在IoU=0.5时,该方法可以取得0.8133的平均精度均值,各类植株图像边缘分割准确,效果显着,达到预期目标。(3)提出了一种基于Mask R-CNN和二进制哈希码的杂草分割识别网络。结合以上两种网络,将杂草分割网络中的分类网络替换为本文提出的基于卷积网络和二进制哈希码的杂草分类网络,分别利用在COCO数据集和玉米及其伴生杂草数据上获得较高精度的模型参数初始化模型的分割网络和分类网络部分,并在玉米及其伴生杂草数据集上进行微调,最后在玉米田间对其进行实地测试,试验结果表明该方法对杂草的正确施药率为92.06%,对玉米的错误施药率为1.4%,取得较好的效果。(本文来源于《山东农业大学》期刊2019-04-01）
桂越,范国华,唐贝贝,张友华,吴云志[10]（2019）在《基于卷积神经网络的农田杂草与水稻的分类识别》一文中研究指出近些年来国内外专家在农田杂草的识别领域进行了深入研究,逐步完善了传统方法识别农田杂草的局限性,提高了杂草识别的准确率。而卷积神经网络在图像识别和分类上有先天的优势,能够简单高效地对农田杂草进行识别,所以本文提出了一种基于卷积神经网络的农田杂草分类识别方法。本文在农田中杂草和水稻的数据集上的实验结果显示,本算法的识别正确率在85%以上,能够有效地对杂草与水稻进行分类识别。(本文来源于《洛阳理工学院学报(自然科学版)》期刊2019年01期）
杂草识别论文开题报告范文
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
为实现田间条件下快速、准确识别棉花与杂草,该文以自然光照下田间棉花与杂草为研究对象,采用垂直向下拍摄的方式获取棉花杂草视频,按1帧/s的速率从视频中提取图像,在人工去除冗余度过多的图片后,建立1 000幅图片的数据集。对比了Faster R-CNN和YOLOv3 2种典型卷积神经网络,将Faster R-CNN卷积神经网络的深度学习模型引入到棉花杂草图像识别中,并提出一种结构优化的方法,使之适用于复杂背景下的棉田杂草识别。该文选用残差卷积网络提取图像特征,Max-pooling为下采样方法,RPN网络中引入特征金字塔网络生成目标候选框,对卷积神经网络结构进行优化。在使用700幅图片进行训练后,通过200幅田间棉花杂草图像识别测试,结果表明:该方法的平均目标识别准确率达95.5%,识别单幅图像的平均耗时为1.51s,采用GPU硬件加速后识别单幅图像的平均耗时缩短为0.09s。优化后的Faster R-CNN卷积神经网络相对于YOLOv3平均正确率MAP高0.3以上。特别是对于小目标对象,其平均正确率之差接近0.6。所提方法对复杂背景下棉花杂草有较好的检测效果,可为精确除草提供参考。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
杂草识别论文参考文献
[1].刘彩玲,岳荷荷.基于局部金字塔描述算子的杂草种子识别[J].物联网技术.2019
[2].彭明霞,夏俊芳,彭辉.融合FPN的FasterR-CNN复杂背景下棉田杂草高效识别方法[J].农业工程学报.2019
[3].张有春.基于卷积神经网络的杂草快速识别研究[J].安徽农业科学.2019
[4].孙俊,谭文军,武小红,沈继锋,芦兵.多通道深度可分离卷积模型实时识别复杂背景下甜菜与杂草[J].农业工程学报.2019
[5].尚万增.田间图像中杂草群落特征识别的研究[D].广西科技大学.2019
[6].岳国良,路艳巧,常浩,孙翠英.一种基于可见光巡检图像的杂草智能识别方法[J].中国电力.2019
[7].王敬贤.基于卷积神经网络和迁移学习的农作物病害和杂草图像识别研究[D].中国科学技术大学.2019
[8].赵轶,刘堂友.基于卷积神经网络的田间杂草识别方法研究[J].计算机仿真.2019
[9].王鹏飞.基于深度学习的玉米田间杂草识别技术及应用[D].山东农业大学.2019
[10].桂越,范国华,唐贝贝,张友华,吴云志.基于卷积神经网络的农田杂草与水稻的分类识别[J].洛阳理工学院学报(自然科学版).2019