基于无人机可见光影像和卷积神经网络的棉花生长参数监测

花蕾期是棉花生长管理的重要时期,在此期间对生长参数进行快速无损监测是实现棉田精细化管理的关键.本文结合无人机遥感平台和深度学习技术,使用卷积神经网络(convolutional neural net-works,CNN),通过无人机采集可见光影像并对影像进行裁剪切分,以切片后的RGB图像为输入,分别构建基于AlexNe...     

基于低空无人机影像和YOLOv3实现棉田杂草检测

目的变量作业是精细农业的核心目标,而杂草快速准确检测是精准除草的先决条件。基于此,本文提出了一种基于改进的YOLOv3模型的棉田杂草快速检测方法。方法首先,利用无人机平台获取0.10、0.29、0.52 cm分辨率的棉花苗期影像,进行正射校正、拼接、裁剪、标注等前期处理,构建3个数据集;其次,通过目标维度聚类、改进模型结构等方法优化YOLOv3网络模型;最后通过对比分析测试结果得到最优模型和最佳分辨率。结果改进的YOLOv3模型应用于0.29 cm分辨率的影像数据对棉田杂草检测效果最好。相较于原始模型,改进的YOLOv3模型杂草检测精度在3个数据集上分别提升了10.62%、12.89%、15.77%,尤其在0.29cm数据集上识别率和召回率分别达到了94.06%、90.26%,同时识别速度可达51帧/s。结论在检测精度和运行速率方面,本文提出的棉田杂草模型均可满足实际农业生产需要。研究成果为精准除草提供了理论基础,同时文中所用方法也可为其他类型的农田地物检测提供借鉴。