| 摘 要： | 为实现杂草精准防控、快速识别棉田杂草，本文基于低空无人机技术拍摄棉田苗期影像，以幼苗和杂草为研究对象，提出了一种改进Faster R-CNN的棉田杂草识别方法。改进1:特征提取网络采用融合FPN的ResNet50代替VGG16来训练模型，并对比VGG16、ResNet50和MobileNetv2的分类效果；改进2:针对Faster R-CNN模型设计适合小目标的锚尺度，其中对应的anchor尺度为{8×8,16×16,32×32},比例为{1∶2,1∶1,2∶1};改进3:训练过程在通过特征提取阶段后，采用双线性插值操作，避免两次量化对物体识别产生的影响；改进4:添加2个Dropout层，分别在特征提取网络之后的2个全连接层上，避免模型产生过拟合现象，增加了网络的鲁棒性。研究表明：融合FPN的ResNet50训练的的平均精确率比VGG16提高了3.82%,与ResNet50和MobileNetv2相比分别高出5.05%和18.38%,说明Faster R-CNN使用融合FPN的ResNet50具有最佳的性能，改进的Faster R-CNN模型对单张图像平均识别时间为0.289 s,平均...
|
