农业机械学报

作者：姜红花，张传银，张昭，毛文华，王东，王东伟

单位：山东农业大学,山东农业大学,宝鸡文理学院,中国农业机械化科学研究院,山东农业大学,青岛农业大学,

关键词：杂草;变量喷药;特征提取;图像分割;残差神经网络

基金：国家重点研发计划项目（2017YFD0700500）、山东省重大科技创新工程项目（2019JZZY010716）、山东省农业重大应用技术创新项目（SD2019NJ001）、山东省重点研发计划项目（2015GNC112004）和山东省自然科学基金项目（ZR2018MC017）

针对田间复杂环境下杂草分割精度低的问题，提出了基于Mask R-CNN的杂草检测方法。该方法采用残差神经网络ResNet?101提取涵盖杂草语义、空间信息的特征图；采用区域建议网络对特征图进行杂草与背景的初步二分类、预选框回归训练，利用非极大值抑制算法筛选出感兴趣区域；采用区域特征聚集方法（RoIAlign），取消量化操作带来的边框位置偏差，并将感兴趣区域（RoI）特征图转换为固定尺寸的特征图；输出模块针对每个RoI计算分类、回归、分割损失，通过训练预测候选区域的类别、位置、轮廓，实现杂草检测及轮廓分割。在玉米、杂草数据集上进行测试，当交并比（IoU）为0.5时，本文方法均值平均精度 （mAP）为0.853，优于SharpMask、DeepMask的0.816、0.795，本文方法的单样本耗时为280?ms，说明本文方法可快速、准确检测分割出杂草类别、位置和轮廓，优于SharpMask、DeepMask实例分割算法。在复杂背景下对玉米、杂草图像进行测试，在IoU为0.5时，本文方法mAP为0.785，单样本耗时为285?ms，说明本文方法可实现复杂背景下的农田作物杂草分割。在田间变量喷洒试验中，杂草识别准确率为91%，识别出杂草并准确喷雾的准确率为85%，准确喷药的杂草雾滴覆盖密度为55个/cm2，装置对每幅图像的平均处理时间为0.98?s，满足农药变量喷洒的控制要求。

来源：2020年第6期

《农业机械学报》期刊编辑部

查看农业机械学报杂志2020年第6期