基于机器学习和无人机图像的棉花密度识别研究

Classification of cotton density by using machine learning and unmanned aerial vehicle images

随着人工智能的发展,机器学习正逐渐应用于大田信息化管理,可以节约时间、减少劳动用工。利用无人机获取6个密度(1.5万株·hm^(-2)、3.3万株·hm^(-2)、5.1万株·hm^(-2)、6.9万株·hm^(-2)、8.7万株·hm^(-2)、10.5万株·hm^(-2))棉田的RGB图像,以数据增强技术扩大数据集,通过机器学习算法的不同模型(支持向量机、VGGNet16、GoogleNet、MobileNetV2)实现不同密度棉田图像的识别分类,并对比了不同模型的图像识别效果。基于支持向量机模型的方法是利用尺度不变特征变换对数据集进行特征提取,将其作为分类器的输入向量进行图像分类;该模型的平均分类识别准确率为74.18%。基于3种卷积神经网络模型(VGGNet16、GoogleNet、MobileNetV2)的方法是结合迁移学习并搭配Adam优化算法对模型进行微调,自动提取数据集特征并重新训练;其分类识别准确率均在90%以上。结果表明,相较于传统机器学习,3种卷积神经网络模型训练对不同密度棉田图像的分类识别准确率更高。比较4种神经网络模型的测试集验证结果,GoogleNet和MobileNetV2模型的平均分类识别准确率达到98%;结合模型评估指标精确率、召回率、F1分数可知,这2种模型的性能较好。该研究表明了深度学习算法对不同密度棉田图像分类的有效性,探索的图像识别方法和优选模型可为棉花大田信息化管理提供技术支持。