基于深度卷積神經網絡的青菜和雜草識別

摘要：針對青菜田間雜草種類繁多且分布復雜導致識別效率低、精度差和穩健性不足等問題，以苗期青菜及其伴生雜草為研究對象，提出了一種基于深度卷積神經網絡的青菜和雜草識別方法。首先使用圖像處理方法標記出包含綠色植物的圖像，進而利用神經網絡模型對青菜和雜草進行區分。為探究不同神經網絡模型的識別效果，分別選取DenseNet模型、GoogLeNet模型和ResNet模型對圖像中包含青菜或者雜草圖像進行識別，并以F1值、總體準確率和識別速度作為評價依據。結果表明，3種神經網絡模型均能有效區分青菜和雜草，其中ResNet模型為最優模型，其在測試集的總體準確率和識別速度分別為97.2%和78.34 幀·s-1。提出的青菜和雜草識別方法可有效降低雜草識別的復雜度，并能夠提升識別的穩健性和泛化能力，為青菜田間雜草精準防控的研究奠定基礎。

關鍵詞：深度學習；卷積神經網絡；青菜識別；雜草識別

doi：10.13304/j.nykjdb.2023.0873

中圖分類號：S126；TP391.41 文獻標志碼：A 文章編號：1008‐0864（2024）08‐0122‐09

我國是蔬菜產銷大國，蔬菜種類和品種極為豐富，種植面積巨大[1]。近年來，我國蔬菜種植面積已突破3.0億畝（0.2億hm2），產量超過7億t[2]。蔬菜產業是我國種植業的第二大產業，也是農業農村經濟發展的支柱產業[3]。雜草是影響蔬菜苗期生長的主要因素之一，及時進行田間除草可減少與蔬菜養分爭奪、發育遲緩以及病蟲害等問題，是保障蔬菜增產的必要措施[4]。當前青菜田除草方式仍然以人工為主，勞動強度高、效率低，隨著人工成本的不斷提升，青菜種植成本也不斷被推高，嚴重威脅蔬菜產業的可持續發展[5-8]，新型、綠色除草方式的研究和推廣迫在眉睫。為此，以精準除草為理念的機械除草、電擊除草等方式被廣泛研究[9-13]。在智慧農業背景下，智能化除草裝備的研究尤為重要，而雜草的快速、精準識別是實現精準除草的關鍵[14‐15]。

傳統雜草識別方法一般采用圖像處理技術，通過對比雜草的形狀特征、顏色特征、紋理特征或多光譜特征區分雜草與作物[16-19]。Marhant等[20]以顏色和位置特征為識別參數，采用貝葉斯分類器來區分花菜（Brassica oleracea L.var. botrytis L.）、雜草和土壤，在獲取準確先驗概率條件下，錯誤分類率最低為6.4％。毛文華等[21]利用植物的多特征實現田間雜草的精準自動識別，使用顏色特征分割土壤背景，并通過位置和紋理特征識別雜草，最后采用形態特征處理誤識別的作物和雜草。何東健等[22]通過提取植物葉片的形狀、紋理及分形維數3 類特征，使用SVM-DS（support vectormachine-dempster/shafer）多特征決策融合識別雜草。上述雜草識別方法多依賴圖像特征的人工提取和選擇，在特定環境下識別效果尚佳，但雜草種類繁多、特征各異，且人工設計的特征易受光照和背景噪聲等環境因素的影響，在雜草識別過程中存在精度低、速度慢、穩健性不足等缺陷[23‐24]。近年來，隨著深度學習技術的發展，利用深度卷積神經網絡（convolutional neural networks，CNNs）的人工智能雜草識別技術已成為目前研究的主流方向。

深度學習是利用神經網絡分析樣本數據的內在特征和表達層次，學習具有多個抽象層次的數據表示的機器學習技術[25]，廣泛應用于自然語言處理（natural language process，NLP）、計算機視覺、語音識別等方面，基于深度學習的雜草識別研究正廣泛開展[26-28]。Osorio 等[29]利用基于支持向量機（SVM）的機器學習技術和基于YOLO-v3、MaskR-CNN 的深度學習模型對生菜田中的雜草進行識別。孫哲等[30]以西蘭花幼苗為研究對象，提出了一種基于Faster R-CNN模型的作物檢測方法。該方法從復雜數據中學習西蘭花幼苗的特征，增強了模型的穩健性。以ResNet50 網絡、ResNet101網絡和VGG16網絡作為特征提取器進行對比試驗，并確定以ResNet101網絡為最優特征提取網絡，設Dropout值為0.6，其平均精度達到91.73%。

當前基于深度學習的雜草識別研究通常采用直接識別雜草的方式，但雜草種類繁多，訓練模型時需要采集不同種類、數量眾多的雜草圖像作為訓練集數據，成本極其高昂。同時，神經網絡模型也難以對所有雜草都保持高識別率。眾多研究者采用目標檢測網絡對雜草進行識別[31]，但雜草邊界框的尺寸多變，而機械除草執行器的作業范圍或除草劑的噴施范圍往往是固定的，這使得目標檢測網絡的識別結果難以與除草執行器的作業區域直接匹配。為降低雜草識別復雜度，同時提高雜草識別率，本文使用神經網絡模型對青菜和雜草進行區分，通過識別青菜間接識別雜草。該方法有效降低了神經網絡模型數據集搭建成本，并能夠提升模型識別的穩健性和泛化能力，可為智能除草裝備中的雜草識別研究提供參考。

1 材料與方法

1.1 圖像采集與樣本數據集

本研究以青菜幼苗及其伴生雜草為研究對象，為保證數據集的多樣性，所采集的圖像包含環境、光線以及生長差異下的青菜和雜草。試驗數據于2021年7月和9月采自江蘇省南京市八卦洲的蔬菜園，使用佳能EOS 600D數碼相機（1 800萬像素CMOS傳感器，搭配DIGIC 4處理器）垂直拍攝，相機距離地面約60 cm，圖像分辨率為1 792×1 344像素，格式為JPEG。對于采集到的圖像，按照6行8列均勻切分成48張網格圖像，每張網格圖像分辨率為224×224像素。網格圖像經人工分類后作為神經網絡模型訓練集和測試集的圖像數據。