学术中心
深度学习算法在不同图像背景下杂草和作物物种识别中的性能研究
发布时间:
2022-12-13
来源:
植物表型资讯
作者:
PhenoTrait
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
Sunil, G. C., Koparan, C., Ahmed, M. R.et al. A study on deep learning algorithm performance on weed and crop species identification under different image background effects. Artificial Intelligence in Agriculture, 2022.
张玉
扩展阅读
推荐新闻
视频展示