杂草识别是开发基于深度学习的杂草防控系统的基础。深度学习算法可以利用杂草和作物图像协助建立杂草检测模型。动态环境条件，如环境照明、移动的摄像机或变化的图像背景，都可能影响深度学习算法的性能。关于不同的图像背景对深度学习算法杂草识别的影响，目前的研究还很有限。本研究的目的是测试在盆栽混合（非均匀）和黑色砾石（均匀）背景可互换的图像中深度学习杂草识别模型的性能。在均匀背景和非均匀背景条件下，利用4台佳能数码相机在温室内采集杂草和作物图像。采用卷积神经网络(CNN)、视觉群几何(VGG16)和残差网络(ResNet50)深度学习体系构建杂草分类模型。在具有非均匀背景的图像上测试由均匀背景图像构建的模型，以及在具有均匀背景的图片上测试由非均匀背景图像建立的模型。结果表明，用非均匀背景图像构建的VGG16和ResNet50模型在均匀背景上进行了评估，f1平均得分分别为82.75%和75%。用均匀背景图像构建的VGG16和ResNet50模型在非均匀背景图像上进行了预验证评估，f1平均得分分别为77.5%和68.4%。当使用均匀和非均匀背景图像构建模型时，VGG16和ResNet50模型的性能都得到了改善，f1平均得分值在92%和99%之间。当使用与构建模型的图像不同背景的图像进行测试时，模型性能有所降低。

图1 图像捕获 (a)添加砾石前(非均匀背景)和(b)添加砾石后(均匀背景)。

图2  从相机获取的单幅图像中标记杂草和作物物种的流程

图3 使用python标记和裁剪后的佳能相机拍摄的图像中作物和杂草植物的图像。(a)使用黑色砾石前的杂草和作物图像(非均匀背景)(b)使用黑色砾石后的杂草和作物图像(均匀背景)。

图4 VGG16和ResNet50体系结构分为输入层、卷积层、池化层和输出层。(a)VGG16架构，(b)ResNet50架构。

图5 VGG16和ResNet50模型的训练、验证和测试步骤的开发流程图

来 源