基于ConvLSTM多特征融合的农田杂草群落扩散模型研究

杂草在作物生长初期受环境变化影响快速扩散,严重压缩作物生长环境。为有效管理农田并准确获取杂草群落扩散位置和生长状况,采用深度学习技术,基于卷积长短期记忆网络(Convolutional long short term memory,ConvLSTM)模型及多特征融合对农田杂草群落扩散准确预测,通过无人机获取具有时间序列的数字正射图像(Digital orthophoto map,DOM)数据,数据预处理后,优化土壤调节植被指数(Optimizing soil adjustment vegetation index,OSAVI)阈值法,构建多种输入特征制作数据集。将ConvLSTM模型与多种输入特征融合并对模型进行堆叠优化,构建多特征融合卷积长短期记忆网络(Multi-feature convolutional long short term memory networks,MF-ConvLSTM)模型,实现多步预测,使用制作数据集进行网络训练,综合对比MF-ConvLSTM、ConvLSTM、深度神经网络(Deep neural network,DNN)、全连接长短期记忆网络(Fully-connected long short term memory networks,FC-LSTM)4个模型。结果表明,构建的MF-ConvLSTM模型预测效果较好,其综合性能优于ConvLSTM、DNN和FC-LSTM,均方误差(Mean square error,MSE)值为0.0191,较传统FC-LSTM模型下降0.0087、POD提高0.0702、CSI提高0.0583、FAR降低0.0727。在不同覆盖度和降雨量条件下,MF-ConvLSTM模型杂草群落扩散预测结果较为平均,拥有较稳定MSE值及预测精度,体现模型较好的鲁棒性。此外,根据试验可知特征输入和预测步长对MF-ConvLSTM模型有不同程度影响。研究提出MF-ConvLSTM模型能自适应学习短期时空依赖关系,在多特征共同输入和短期预测步长情况下达到最佳性能。研究为准确获取农田杂草群落扩散位置和生长状况提供思路和方法,也可为后续农田精准除草和制作杂草处方图提供参考。

基于YOLO v4卷积神经网络的农田苗草识别研究

农田杂草是影响农作物生长的主要因素之一,农田杂草的有效防治与农作物产量息息相关。复杂田间环境下,精准识别玉米秧苗与农田杂草能够指导除草装备作业更加经济和高效。为提高农田目标识别精度和效率,文章基于深度学习技术的目标检测方法,首先使用多苗期、多时段和单一拍摄角度的图像采集方式并配合数据增强方法制作一个特征丰富的数据集。通过减少YOLOv4网络的输出张量为13×13和52×52两个尺度匹配玉米苗和杂草,并用制作数据集作网络训练。训练结果表明,改进后YOLOv4网络训练得到的检测模型在综合性能上优于YOLO v3、原本YOLO v4和主干网络为VGG19的Faster R-CNN;其F_(1)值为0.828,较修改前提升0.031,检测时间缩短0.014s。此外,根据试验可知数据量和数据增强方式均对模型产生不同程度影响;不同类别的目标进行单一训练比多类别目标组合训练得到检测效果更好。