下面是小编为大家整理的基于人工智能水稻杂草识别研究（完整文档）,供大家参考。
基于人工智能的水稻杂草识别研究
杂草是水稻生产中的重要有害生物，其影响水稻的产量、品质且威胁粮食安全和农业生产安全。为保障农地质量通常采用对农田大面积无差别喷施除草剂的手段来做杂草治理，但其农药残留也造成了环境污染。精准变量施药模式能夠在保证作物的产量和质量的前提下有效减少对环境的污染。随着人工智能在农业中的应用领域不断扩展，也为杂草的精准识别与定位提供了新的方法和思路；依据高分辨率数码影像构建水稻杂草识别模型，形成喷施标准指导变量施药，对于农田智能化管理和无人机精准喷施具有重要意义。
面向对象的图像分析方法将无人机遥感图像分割成包含丰富语义信息的多尺度对象，针对每个对象提取其特征信息并完成图像分类任务。首先，从分割准确率和分割速度两个尺度对比不同的图像分割算法，对遥感图像进行多尺度分割，引入局部最优思想合并分割对象进一步提高分割精度；通过改进的 K-means 算法对图像做相似区域融合。其次，提取无人机遥感图像中对象的空间语
义信息，统计如颜色、纹理、形状等能够有效区分水稻和杂草的空间特征和拓扑关系。取灰度颜色空间转化成局部二值模式图像后的灰度特征作为纹理特征，与颜色特征的均值组成特征向量作为分类依据，再次，通过决策树、支持向量机（SVM）、随机森林、BP 神经网络等分类器对分割算法的超参更新以提高分类性能。经有学者验证，在 BP 神经网络的调参指导下，多尺度分割算法的分类执行用时最短，效果最佳，总体精度达到 83.4%，利用该模型构建的施药处方图能够为是否施药提供执行依据。
目标检测算法定位图像数据的感兴趣区域并确定目标类别，在图像中生成目标检测框，该算法以其识别准确率高且鲁棒性强的特点受到越来多学者的青睐。目标检测算法又可分为两阶段和单阶段。其中，两阶段算法以Faster R-CNN、MASK R-CNN 等典型代表；单阶段算法以SSD、Yolo 模型为代表。首先通过图像滤波算法、伽马矫正、灰度变换、几何矫正等方法对图像进行预处理来减少图像本身来自于自然环境或拍摄噪声的干扰。其次，通过目标检测模型形成目标候选框，根据识别目标的不同，可以将目前学者的研究分成两类，其一是通过对一种或多种杂草的预标注，训练目标检测模型直接对杂草
本身的识别；其二是对作物进行标注识别，对于处于目标作物候选框之外的部分即为只包含杂草和背景的图像，对其做二值化处理将杂草从土壤背景中分离以得到仅包含杂草目标的分割效果图，降低了传统识别任务中误识别的概率，同时也有效的提升了识别的精度，使得模型具有较好的泛化性和鲁棒性。可以利用该类模型指导识别杂草的空间分布和位置，进一步为精准喷施做铺垫。
图像语义分割方法将计算机视觉任务集中到对于每一个像素点的分类上，从语义信息上为像素点分配语义标签，随着深度学习的广泛应用，基于深度学习的语义分割模型从 FCN、UNet、PSPNet 到目前效果 Deeplabv3+，其应用场景也在逐渐扩大，已经从医疗影像扩展到自动驾驶、新农业、地理信息系统等多个方面。构建杂草语义分割模型，学者们的工作主要集中在两个方面：对语义分割模型进行改进，包括替换主干特征提取网络、对模型进行结构化和非结构化剪枝使模型轻量化以提高计算速度，在卷积池化模块后增加注意力机制来强化重要特征的提取来弱化复杂田间环境的影响，为了进一步提高分割的精度，采用全连接条件随机场 （FullCRF）
以及多尺度特征提取，将深度信息与特征图谱融合来保留更多的语义信息以得到清晰的边缘分割；对弱监督标注的研究，
通过涂鸦式、图像级和边框级标注进行粗语义分割，以迭代的方式逐层使用卷积神经网络动态生成掩膜。通过弱监督的方式，由程序代替人工降低图像标注的时间成本以提高模型的效率。通过生成不同杂草的空间分布图，可为变量施药过程中针对不同类别的杂草做不同除草剂的喷施提供技术支持。