论文部分内容阅读
杂草是影响小麦生长的主要限制性因子,它与小麦竞争光、争肥、水分等,影响小麦的生长空间。作物生长前期发生的杂草会导致田间环境恶化,影响小麦的品质和产量。麦田中杂草的发生程度、杂草的发生种类和杂草的存活时间直接影响麦田的减产程度。因此,研究麦田杂草识别和分类的有效方法,有望在后续的实验中实现农药的精确喷施和杂草的定向防除。传统的杂草识别和分类方法需要投入大量的人力物力,且识别精度受主观因素影响大,识别和分类的效果不稳定。本研究首先基于DeepLabV3+模型将所有麦田杂草视为一个整体,实现了小麦和杂草之间的精准识别,进一步的实现杂草发生数量的监测;其次,基于LeNet-5模型解决了不同种类杂草之间的分类问题,进一步实现杂草发生类型的监测。本文以不同时期、不同播种方式下的小麦和不同种类的杂草作为研究对象,首先通过无人机获取高光谱图像,结合DeepLabV3+语义分割网络,完成小麦和杂草整体的分割,并构建生物量估测模型,实现对小麦生物量、杂草生物量的估测,并分析杂草生物量对产量的影响;其次,在地面获取RGB图像,结合LeNet-5网络对不同种类的杂草进行种类识别。本实验融合了深度学习框架、光谱分析和图像分析等技术,分析了小麦和杂草的光谱曲线和常见特征参数,对小麦和杂草进行识别和分类。(1)结果表明,杂草和小麦在400-1000nm波段的特征非常相似。光谱曲线整体差异较小,直接通过光谱分析较难将杂草和小麦分类。通过对NDVI、RVI、SAVI等植被指数和高程数据的提取,结果显示越冬期杂草和小麦植被指数重叠严重;加入高程数据之后,杂草和小麦之间则表现出一定的差异,返青期的表现尤为明显。本文将阈值分割、K-means聚类分割和DeepLabV3+语义分割模型进行精度对比,逐步细化麦田杂草识别的方式,确定了适合对高光谱图像进行识别的方式,结果显示DeepLabV3+语义分割模型最有利于识别麦田杂草。(2)模型在不同麦田上的杂草识别结果表明,阈值分割识别不同时期、不同播种方式的小麦、杂草时,对机械撒播的返青期小麦识别精度最高,MIoU值仅为80.5;K-means分割算法相较于阈值分割的效果和稳定性均较好,但识别精度受外在环境的影响较大,小麦完整的叶片识别误检率较高,同样对返青期小麦的识别精度最高,MIoU值仅为86.7;而使用DeepLabV3+语义分割算法进行分割,结果显示,该方式识别机械条播的返青期小麦时,MIoU值为88.8;识别机械撒播的返青期杂草时,MIoU值为92.11,相较于前两个方式识别精度更高;DeepLabV3+模型对小麦的检测精度略高于对杂草的检测精度,机械撒播麦田的检测精度高于机械条播麦田的检测精度,返青期的检测精度高于越冬期的检测精度。但不同的播种方式对检测的影响较大,机械撒播麦田中小麦和杂草的检测精度较高。两种播种方式漏检和误检杂草均发生在杂草与小麦交叠的边缘区域。(3)在通过DeepLabV3+区分杂草和小麦的基础上,根据选取的植被指数可以较为准确地构建杂草和小麦生物量的多元逐步回归模型。通过模型验证,杂草和小麦生物量估算模型的R2值均大于0.85,且RMSE值较小。分析表明,麦田杂草显著影响小麦的生物量和产量。与没有杂草发生的区域相比,随着杂草数量的增加,小麦生物量下降幅度增大,最大降幅达71%;杂草数量对产量的影响与之相似,最高产量减少4320公斤/公顷,下降60%。但不同的播种方式、不同生育期对杂草的影响不同。具体来说,杂草对机械撒播小麦的影响相对高于机械条播小麦;越冬期杂草的发生对后期产量影响较大。(4)杂草分类试验对支持向量机、随机森林和基于LeNet-5模型的分类技术进行了精度分析,结果显示LeNet-5模型在杂草类型识别中的效果更好。精度对比结果表明,支持向量机对越冬期的杂草分类时,机械撒播麦田的苏门白酒草的精度最高,为88%;对返青期麦田杂草分类时,精度最高为89.06%;随机森林对于越冬期麦田杂草分类时,机械条播麦田的苏门白酒草的精度最高,为89.55%,其他杂草分类效果不理想;对返青期的杂草分类时,机械撒播田的苏门白酒草分类精度最高,为91.67%,其他杂草分类效果不理想;而基于LeNet-5网络的不仅实现了不同时期、不同播种方式麦田杂草的分类,且对不同种类杂草的分类精度均较高,误检率、漏检率也都较低;分类机械撒播田的杂草最高精度为95.24%,对应的误检率为7.14%,漏检率为7.69%;分类机械条播田的杂草最高精度为92.45%,对应的误检率为7.84%,漏检率为9.26%。本研究构建了麦田杂草发生数量的监测和发生种类的识别,进一步的实现了杂草发生对小麦生长的影响。研究通过语义分割技术(DeepLabV3+)区分了不同麦田的杂草和小麦,进一步的构建回归模型实现杂草和小麦生物量的监测,实现了杂草发生情况和危害程度监测;通过近地获取杂草图像,搭建分类模型(LeNet-5)实现不同杂草类型的识别,监测麦田杂草的发生种类。通过以上两个试验,基本实现了麦田杂草发生情况(杂草数量和杂草种类)的监测,为麦田杂草的防治提供参考。研究仍存在一些问题,需要后人进一步研究:1)无人机平台仅能实现杂草和小麦的区分,而无法对杂草发生种类进行监测,本研究只能依靠再一次的获取近地近地彩色图像来实现杂草种类的识别;2)部分杂草被小麦遮挡,影响识别精度;3)杂草识别模型仅针对本地区常见的几种杂草构建分类模型,未来应增加其他杂草图像构建适用范围更广的杂草分类模型。