文献类型：期刊文章

作　　者：王生生[1] 王顺[2] 张航[2] 温长吉[3]

Wang Shengsheng;Wang Shun;Zhang Hang;Wen Changji(College of Computer Science and Technology,Jilin University,Changchun 130012,China;Software Institute,Jilin University,Changchun 130012,China;College of Information and Technology,Jilin Agricultural University,Changchun 130118,China)

机构地区：[1]吉林大学计算机科学与技术学院,长春130012 [2]吉林大学软件学院,长春130012 [3]吉林农业大学信息技术学院,长春130118

出　　处：《农业工程学报》

基　　金：吉林省科技发展计划项目(20190302117GX;20180101334JC;20180101041JC);吉林省教育厅科研规划重点课题(2016186)

年　　份：2019

卷　　号：35

期　　号：6

起止页码：81-89

语　　种：中文

收录情况：AJ、BDHX、BDHX2017、CAB、CAS、CSA、CSA-PROQEUST、CSCD、CSCD2019_2020、EI、FSTA、IC、JST、PROQUEST、RCCSE、SCOPUS、ZGKJHX、核心刊

摘　　要：为提高机器视觉在无人机等小型嵌入式设备中杂草识别的准确率,该文以大豆苗中常见禾本科杂草和阔叶型杂草为研究对象,针对传统和积网络在图像分类任务中模型参数多、训练时间长、含有较多冗余节点和子树的问题,该文改进传统和积网络的学习过程,提出一种以小批量数据作为输入的轻量和积网络。在结构学习中,当积节点作用域内的变量个数小于一定阈值时,合并积节点为多元叶节点,否则将积节点重组为和积混合结构,并对边缘节点进行裁剪,有效降低了模型的参数量和复杂度。在参数学习中,提出贝叶斯矩匹配更新网络参数,使得模型对小样本的学习效率更高。最后结合K均值聚类算法应用于无人机图像中的杂草识别。试验结果表明,利用该方法对无人机图像中大豆苗、禾本科杂草、阔叶型杂草以及土壤的平均识别准确率达99.5%,高于传统和积网络和传统AlexNet。并且模型平均参数量仅为传统和积网络的33%,内存需求最大时减少了549 M,训练时间最多减少了688.79 s。该研究可为轻量和积网络模型在无人机喷洒农药中的杂草识别提供参考。

关 键 词：无人机 遥感 识别  和积网络  结构学习  参数学习  杂草

分 类 号：TP391.41]