徐國欽 黃明鳳 黃建平

摘要：雜草與作物爭奪肥料、陽光等養(yǎng)分，從而影響作物生長，快速有效地清除雜草危害對提高作物的產(chǎn)量和品質(zhì)具有重要意義。傳統(tǒng)的雜草防治方法常采取大面積噴灑除草劑等措施，無法滿足智慧農(nóng)業(yè)的精細(xì)化管理要求，精確、可靠的雜草檢測是智能除草的關(guān)鍵。在卷積神經(jīng)網(wǎng)絡(luò)模型PANet的基礎(chǔ)上進(jìn)行改進(jìn)，把原始特征提取網(wǎng)絡(luò)ResNet替換為DenseNet-12 采用FPA模塊提供像素級注意力信息，通過金字塔結(jié)構(gòu)增加感受野。以無人機(jī)多光譜糖菜雜草圖像為研究對象，分別構(gòu)建近紅外790 nm、紅色690 nm和歸一化植被指數(shù)NDVI的訓(xùn)練數(shù)據(jù)集進(jìn)行網(wǎng)絡(luò)訓(xùn)練。發(fā)現(xiàn)PANet的訓(xùn)練精度為97.38%，測試精度為93.41%;采用3通道（近紅外790 nm+紅色690 nm+NDVI）訓(xùn)練的模型F1值最高為0.872。結(jié)果表明，該方法可以實(shí)現(xiàn)無人機(jī)多光譜圖像雜草的有效分割，可為農(nóng)田雜草精確檢測和農(nóng)作物生長狀況監(jiān)測提供參考和借鑒。

關(guān)鍵詞：雜草;改進(jìn)語義分割模型;無人機(jī);多光譜;圖像分割;植被指數(shù)

中圖分類號：TP391.41 文獻(xiàn)標(biāo)志碼： A

文章編號：1002-1302（2022）12-0212-08

收稿日期：2022-01-04

基金項(xiàng)目：黑龍江省自然科學(xué)基金（編號：TD2020C001）;中央高?；究蒲袠I(yè)務(wù)費(fèi)專項(xiàng)（編號：2572019CP19）。

作者簡介：徐國欽（1996—），男，遼寧鞍山人，碩士研究生，主要從事檢測技術(shù)與自動化裝置研究。E-mail：xuguoqin0609@163.com。

通信作者：黃建平，副教授，博士生導(dǎo)師，主要從事視覺檢測、圖像處理研究。E-mail：jphuang@nefu.edu.cn。

世界人口將在21世紀(jì)下半葉達(dá)到100億以上，世界人口快速增長對糧食農(nóng)作物和資源的需求量越來越大[1];到21世紀(jì)中葉，自然資源的耗竭速度將是目前的3倍以上[2]。為了使農(nóng)產(chǎn)品滿足人口不斷增長的需求，利用現(xiàn)代化技術(shù)手段實(shí)現(xiàn)農(nóng)業(yè)產(chǎn)量和質(zhì)量的最大化是有效的解決途徑。農(nóng)田雜草與作物爭奪肥料、陽光等養(yǎng)分，從而影響作物的生長，快速有效地清除雜草危害對提高作物的產(chǎn)量和質(zhì)量具有重要意義[3]。傳統(tǒng)的雜草防治方法主要包括耗時(shí)費(fèi)力的人工除草、大面積農(nóng)田噴灑除草劑的化學(xué)除草等，不能解決作物和雜草共生相互遮擋的問題，無法滿足智慧農(nóng)業(yè)精細(xì)化管理的需求[4]（圖1）。隨著機(jī)器人和計(jì)算機(jī)技術(shù)的進(jìn)步，采用圖像處理技術(shù)的智能農(nóng)業(yè)機(jī)械裝備如田間除草機(jī)器人[5-6]等取得了快速的發(fā)展，能夠?qū)崿F(xiàn)選擇性除草、特定點(diǎn)除草劑噴涂和智能機(jī)械鋤草等精準(zhǔn)除草方式，可以有效降低農(nóng)藥的危害，提高農(nóng)產(chǎn)品的品質(zhì)[7-9]。

精確、可靠的雜草檢測是智能除草的關(guān)鍵[10]。毛文華等利用苗期田間作物的位置特征，提出一種基于機(jī)器視覺的分割苗期田間雜草算法[11]。胡波等通過引入像素灰度級和鄰域灰度級構(gòu)成二維直方圖，提出一種雜草彩色圖像分割算法，提高了雜草的識別率[12]。胡盈盈等采集玉米和雜草的光譜信息，篩選出有效特征波段并帶入到貝葉斯判別模型中，進(jìn)而實(shí)現(xiàn)快速準(zhǔn)確識別玉米田間雜草[13]。馬兆敏等提出一種基于BP神經(jīng)網(wǎng)絡(luò)的雜草分割方法，該方法利用Bayes理論獲得顏色空間中非線性最優(yōu)分割曲面，減小了分割誤差[14]。為進(jìn)一步提高雜草的識別性能，鄧向武等提出基于植物葉片形狀、紋理及分形維數(shù)等多特征融合的雜草識別方法[15-17]。傳統(tǒng)的計(jì)算機(jī)視覺和圖像處理方法在雜草檢測和分割上取得了較好的效果，但農(nóng)作物和雜草邊界存在一定的模糊性，給精準(zhǔn)雜草檢測和分割帶來了挑戰(zhàn)。隨著機(jī)器學(xué)習(xí)的發(fā)展，基于數(shù)據(jù)驅(qū)動的深度學(xué)習(xí)技術(shù)被應(yīng)用于植物物種分類、植物病蟲害檢測和雜草識別等農(nóng)林鄰域[18-20]。深度學(xué)習(xí)方法利用空間和語義特征可以有效提高雜草識別和檢測的準(zhǔn)確性。溫德圣提出基于Faster-RCNN模型的復(fù)雜特征雜草準(zhǔn)確分類及定位方法，并與SSD、TOLOv3方法以及VGG16、VGG19、ResNet50、ResNet101這4種卷積模型進(jìn)行對比，發(fā)現(xiàn)該方法具有更高的雜草識別率[21]。Sa等通過訓(xùn)練密集語義分割模型SegNet實(shí)現(xiàn)了無人機(jī)多光譜圖像雜草的

準(zhǔn)確分割[22]。姜紅花等采用基于Mask R-CNN的雜草檢測方法提高了田間復(fù)雜環(huán)境下雜草的分割精度，并利用該方法設(shè)計(jì)農(nóng)藥變量噴灑裝置實(shí)現(xiàn)了農(nóng)藥的精準(zhǔn)噴灑[23]。孫俊等通過融合近紅外與可見光圖像構(gòu)建多通道輸入并采用深度可分離卷積的方法，減少了環(huán)境對分割效果的影響，并提高了分割精度[24]。Khoshboresh-Masouleh等開發(fā)出一種輕量級的、端到端可訓(xùn)練的無人機(jī)多光譜影像分割方法，實(shí)現(xiàn)了甜菜田間雜草的準(zhǔn)確分割[25]。Su等提出一種基于隨機(jī)圖像裁剪和修補(bǔ)（RICAP）方法的新型數(shù)據(jù)增強(qiáng)框架，該框架能夠有效地用于語義分割任務(wù)的數(shù)據(jù)增強(qiáng)，可以解決作物和雜草分類過程中過度擬合的問題[26]。Zhang等提出一種結(jié)合改進(jìn)Grabcut算法、自適應(yīng)模糊動態(tài)k-means算法和稀疏表示分類（SRC）的雜草物種識別方法，該方法不需要人工交互，能自動分割背景并有效識別雜草種類[27]。本研究對語義分割模型PANet進(jìn)行改進(jìn)，并將其應(yīng)用于無人機(jī)多光譜影像的雜草分割。利用無人機(jī)搭載多光譜傳感器在使用不同除草劑用量的田地上采集數(shù)據(jù)，其中包括只有雜草、只有作物和作物雜草混合3種類型的數(shù)據(jù)集。通過提取歸一化植被指數(shù)作為地面實(shí)況，利用不同輸入通道組合訓(xùn)練3種模型，發(fā)現(xiàn)該方法可以有效提高雜草-作物多光譜圖像的分割效果。

1 數(shù)據(jù)和方法

1.1 數(shù)據(jù)采集與處理

本研究采用2017年瑞士蘇黎世聯(lián)邦理工大學(xué)采集的甜菜和雜草圖像作為數(shù)據(jù)集[22]，該數(shù)據(jù)集是在蘇黎世的農(nóng)場使用無人機(jī)搭載多光譜相機(jī)實(shí)地高空俯視平行拍攝試驗(yàn)區(qū)域的圖像，無人機(jī)選用DJI Mavic型號搭載SequoIa MultiSpectral四通道多光譜傳感器。試驗(yàn)區(qū)域?yàn)?0 m×40 m作物-雜草試驗(yàn)田。將不同劑量的除草劑用于試驗(yàn)區(qū)域，將試驗(yàn)區(qū)劃分為3個(gè)部分：默認(rèn)劑量最大區(qū)域只包含作物，中等劑量區(qū)域作物雜草混合生長，還有一片區(qū)域只有雜草。由于植物的邊界很難區(qū)分，需要某些領(lǐng)域的專業(yè)知識，所以作物-雜草圖像的手動標(biāo)注極具難度。本數(shù)據(jù)集在植物專家指導(dǎo)下標(biāo)注了132張作物、243張雜草、90張作物-雜草多光譜圖像，包含近紅外波段（790 nm）、紅色波段（660 nm）和NDVI圖像（圖2、表1）。其中，NDVI圖像來自對應(yīng)的近紅外和紅色通道圖像。NDVI計(jì)算公式為，植被指數(shù)NDVI能夠清楚地反映土壤和植物之間的差異。數(shù)據(jù)集中所有圖像大小均為640像素×640像素。本研究在訓(xùn)練模型時(shí)采用以下方法擴(kuò)充訓(xùn)練樣本數(shù)據(jù)集。第一，隨機(jī)裁剪。將輸入的圖像隨機(jī)裁剪掉相同的部分。第二，銳化增強(qiáng)算法。去除一些細(xì)小的干擾細(xì)節(jié)和圖像噪聲，比一般直接使用卷積銳化算子得到的圖像更可靠。第三，隨機(jī)翻轉(zhuǎn)。將圖像在豎直、水平方向翻轉(zhuǎn)。第四，隨機(jī)噪聲。在圖像中隨機(jī)加入少量的噪聲。該方法對防止過擬合較有效，會讓神經(jīng)網(wǎng)絡(luò)不能擬合輸入圖像的所有特征。第五，調(diào)整圖像對比度與亮度。數(shù)據(jù)增強(qiáng)示例見圖3。D59F83FD-BB1A-4987-968D-15A933D7EE84

1.2 研究方法

本研究提出一種改進(jìn)語義分割PANet模型的無人機(jī)多光譜影像雜草分割方法。將原始主干網(wǎng)絡(luò)深度殘差網(wǎng)絡(luò)ResNet替換為密集卷積網(wǎng)絡(luò)DenseNet，減少網(wǎng)絡(luò)參數(shù)量，提高特征利用效率。PANet將注意力機(jī)制和空間金字塔結(jié)構(gòu)相結(jié)合，以實(shí)現(xiàn)提取準(zhǔn)確而密集的特征并獲取像素標(biāo)簽的功能。具體而言，PANet引入一個(gè)特征金字塔注意力模塊（Feature Pyramid Attention module），在高層的輸出上施加空間金字塔注意力結(jié)構(gòu)，并結(jié)合全局池化策略來學(xué)習(xí)更好的特征表征。此外，利用每個(gè)解碼器層中的全局注意力上采樣模塊（Global Attention Upsample module）得到的全局上下文特征信息，作為低級別特征的指導(dǎo)，以此來篩選不同類別的定位細(xì)節(jié)。提高整個(gè)模型對特征圖空間信息的利用能力，從而提高圖像分割精度（圖4）。

1.2.1 密集卷積網(wǎng)絡(luò)DenseNet-121 本研究對PANet語義分割模型進(jìn)行修改，把殘差網(wǎng)絡(luò) ResNet-101替換為DenseNet-121作為主干網(wǎng)絡(luò)。

DenseNet-121網(wǎng)絡(luò)與ResNet101網(wǎng)絡(luò)結(jié)構(gòu)對比見表2。DenseNet-121結(jié)構(gòu)有121層網(wǎng)絡(luò)，每層之間密集相連，相比ResNet-101網(wǎng)絡(luò)前者每層學(xué)習(xí)得到的特征圖會作為輸入傳給后面所有層，這樣可以減少大部分計(jì)算量和參數(shù)量并提高網(wǎng)絡(luò)的效率。同時(shí)，該方法還使用復(fù)雜度低的淺層特征，能夠更好地解決樣本較少時(shí)容易產(chǎn)生過擬合的問題。

1.2.2 特征金字塔注意模塊FPA 特征金字塔注意（FPA）模塊通過實(shí)現(xiàn)類似特征金字塔網(wǎng)絡(luò)的“U”形結(jié)構(gòu)，融合3種金字塔尺度下的特征（圖5）。為了更好地提取不同尺度下金字塔特征的上下文信息，本研究在金字塔結(jié)構(gòu)中分別使用3×3、5×5、7×7 的卷積核。由于高層次特征圖的分辨率較小，因此使用較大的內(nèi)核并不會帶來太多的計(jì)算負(fù)擔(dān)。金字塔結(jié)構(gòu)逐步集成不同尺度下的特征信息，這樣可以更準(zhǔn)確地結(jié)合相鄰尺度的上下文特征。經(jīng)過1×1 卷積后，由卷積神經(jīng)網(wǎng)絡(luò)所提取的原始特征通過金字塔注意力特征進(jìn)行逐像素相乘。此外，還引入全局池化分支來聯(lián)結(jié)輸出的特征，這將進(jìn)一步提高FPA模塊的性能。利用空間金字塔結(jié)構(gòu)，F(xiàn)PA可以融合不同尺度的全局信息，對高級特征產(chǎn)生更好的像素級注意力。不同于PSPNet和ASPP模塊需要做通道降維，F(xiàn)PA是全局信息與原始特征做逐像素相乘，可以減少大部分計(jì)算量。

1.2.3 全局注意力上采樣模塊GAU 本研究采用全局注意力上采樣模塊（GAU）。通過全局池化過程將全局上下文信息作為低層特征的指導(dǎo)，來選擇類別的定位細(xì)節(jié)。具體而言，對低層次特征執(zhí)行 3×3 的卷積操作，以減少卷積神經(jīng)網(wǎng)絡(luò)特征圖的通道數(shù)。從高層次特征生成的全局上下文信息依次經(jīng)過1×1卷積、批量歸一化和相關(guān)非線性處理，然后再與低層次特征相乘。最后，高層次特征與加權(quán)后的低層次特征相加并進(jìn)行逐步上采樣過程。GAU模塊不僅能夠更有效地適應(yīng)不同尺度下的特征映射，還能以簡單的方式為低層次的特征映射提供指導(dǎo)信息（圖6）。

2 結(jié)果與分析

2.1 試驗(yàn)環(huán)境與模型參數(shù)

本試驗(yàn)于2021年5月在東北林業(yè)大學(xué)進(jìn)行。軟件環(huán)境為：Ubuntu 18.04 LTS 64位操作系統(tǒng)，基于Pytorch（1.4.0）開源深度學(xué)習(xí)框架并使用Python（Python 3.8）作為編程語言。硬件環(huán)境：處理器為IntelCore i7-9700k;計(jì)算機(jī)內(nèi)存為16 GB;GPU型號為NVIDIA GeForce RTX 080Ti，11 GB顯存，使用CUDA Toolkit10.0和CUDN V7.6.5作為網(wǎng)絡(luò)模型訓(xùn)練加速工具包。模型訓(xùn)練采用動量為0.8的隨機(jī)梯度下降算法進(jìn)行優(yōu)化，初始學(xué)習(xí)率為0.00 權(quán)重衰減為0.00 以3幅圖像為1個(gè)批次進(jìn)行100次完整迭代。使用交叉熵?fù)p失函數(shù)，類別損失權(quán)重分別為0.4、1.0、1.4作為類別平衡。由圖7可知，模型的訓(xùn)練損失值和驗(yàn)證損失值隨迭代次數(shù)增加逐漸降低，沒有出現(xiàn)欠擬合和過擬合以及梯度消失等問題。

2.2 量化評價(jià)指標(biāo)

為了清晰準(zhǔn)確地評估模型對雜草分割的效果，本研究使用像素準(zhǔn)確率（pixel accuracy，PA）、精確率（precision）、召回率（recall）和F1值作為評價(jià)指標(biāo)。其中：PA表示像素點(diǎn)分類的精度，用圖像中分類正確的像素點(diǎn)數(shù)量與像素點(diǎn)總數(shù)的百分比來表示，該值越大，說明模型效果越好;Precision是指分割出的雜草區(qū)域與實(shí)際雜草區(qū)域的符合程度;Recall是指正確分割雜草樣本數(shù)占總樣本數(shù)的百分比;F1值結(jié)合了精確率和召回率，能夠更加全面地反映雜草分割精度，F(xiàn)1值越大精度越好。各量化指標(biāo)計(jì)算公式如下：

Precision=TPTP+FP;（1）

Recall=TPTP+FN;（2）

F1=2×TPN+TP-TN;（3）

PA=TP+TNTP+TN+FP+FN。（4）

式中：TP（true positive）表示真正例;TN（true negative）表示真反例;FN（false negative）表示假反例;FP（false positive）表示假正例;N表示樣本總數(shù)。本研究還使用AUC（area under the ROC curve）作為評價(jià)指標(biāo)，AUC實(shí)際上就是ROC曲線下的面積，可以直觀反映分類器的分類效果。

2.3 討論

本研究對比深度學(xué)習(xí)中常見的特征提取網(wǎng)絡(luò)ResNet-18、ResNet-50、ResNet-101與DenseNet-121在測試集上的性能。準(zhǔn)確率PA結(jié)果見圖8，可見本研究采用的DenseNet-121特征提取網(wǎng)絡(luò)精度最高，相比其他殘差網(wǎng)絡(luò)準(zhǔn)確率都有小幅提升。D59F83FD-BB1A-4987-968D-15A933D7EE84

由圖9可知，模型的訓(xùn)練精度隨迭代次數(shù)增加逐漸提高，對于模型的測試精度存在相同規(guī)律沒有出現(xiàn)欠擬合或過擬合以及梯度消失等問題?？傮w來看，模型的訓(xùn)練精度和測試精度分別達(dá)到97.38%、93.41%。

采用改進(jìn)PANet方法的不同輸入數(shù)據(jù)3個(gè)模型的F1值見圖10，其中黃色、綠色和紅色條形圖顯示不同數(shù)量輸入通道的性能指標(biāo)，紅色條形3通道模型（近紅外+紅色+NDVI）效果比其他2通道好，對作物雜草分類的性能優(yōu)于其他模型。由圖11可知，該分類器分類效果很好。

使用效果最好的三通道模型對無人機(jī)多光譜田間圖像進(jìn)行預(yù)測，得到雜草圖像分割結(jié)果（圖12）。其中每行代表1個(gè)圖像示例，前3列為3通道輸入，第四列為標(biāo)注的地面真值，第五列為分割結(jié)果。由圖12可知，本研究提出的模型能夠較好地分割雜草和作物，無明顯誤分和漏報(bào)現(xiàn)象。但仍可以看到極少數(shù)一些邊界區(qū)域有混合的情況，如圖12中分割結(jié)果第四行。這通常出現(xiàn)在農(nóng)作物和雜草彼此包圍的時(shí)候，說明網(wǎng)絡(luò)不僅可以捕獲低層次的特征，如邊緣或強(qiáng)度，還可以捕獲物體的形狀和紋理。因此，復(fù)雜背景下對多目標(biāo)區(qū)域的分割仍需進(jìn)一步改進(jìn)。

采用相同的數(shù)據(jù)集訓(xùn)練DeepLab模型和SegNet模型與本研究方法進(jìn)行對比，對比結(jié)果見圖13，可見本研究方法PANet的F1值比DeepLab和SegNet高。由圖14可知，其他2種網(wǎng)絡(luò)分割結(jié)果識別不完整、像元出現(xiàn)破碎形狀、有椒鹽現(xiàn)象產(chǎn)生。

3 結(jié)論

本研究采用改進(jìn)的深度語義分割網(wǎng)絡(luò)PANet、多光譜圖像的光譜值特征和植被指數(shù)，對田間農(nóng)作物雜草分割進(jìn)行研究。發(fā)現(xiàn)近紅外波段+紅色波段+NDVI組合的模型分割效果最好，訓(xùn)練精度為97.38%，測試精度為93.41%。經(jīng)過3種模型比較，發(fā)現(xiàn)植被指數(shù)可以對田間農(nóng)作物多光譜圖像雜草分割起到促進(jìn)作用。利用多光譜圖像技術(shù)和改進(jìn)后PANet卷積神經(jīng)網(wǎng)絡(luò)可以在自然環(huán)境下實(shí)現(xiàn)田間農(nóng)作物雜草的高精度分割。雖然本研究訓(xùn)練了大量作物和雜草圖像的模型，但自然界存在不同類型的雜草和作物模型尚未訓(xùn)練。下一步將構(gòu)建作物、雜草更豐富的數(shù)據(jù)集，實(shí)現(xiàn)自然環(huán)境下雜草的智能準(zhǔn)確識別，進(jìn)而為田間作物雜草侵害程度研究提供技術(shù)支持。

參考文獻(xiàn)：

[1]梁 強(qiáng). 人口與經(jīng)濟(jì)、環(huán)境協(xié)調(diào)發(fā)展問題研究[D]. 大連：東北財(cái)經(jīng)大學(xué)，2010：25-28.

[2]周天勇，田 博. 新形勢下我國人口與糧食安全戰(zhàn)略思考[J]. 中國經(jīng)濟(jì)評論，2021（7）：36-40.

[3]強(qiáng) 勝.中國雜草生物學(xué)研究的新進(jìn)展[J]. 雜草學(xué)報(bào)，2018，36（2）：1-9.

[4]張朝賢，錢益新，胡祥恩. 農(nóng)田化學(xué)除草與可持續(xù)發(fā)展農(nóng)業(yè)[J]. 農(nóng)藥，1998，37（4）：8-12.

[5]陳子文，張春龍，李 南，等. 智能高效株間鋤草機(jī)器人研究進(jìn)展與分析[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2015，31（5）：1-8.

[6]傅雷揚(yáng)，李紹穩(wěn)，張 樂，等. 田間除草機(jī)器人研究進(jìn)展綜述[J]. 機(jī)器人，202 43（6）：751-768.

[7]劉成良，林洪振，李彥明，等. 農(nóng)業(yè)裝備智能控制技術(shù)研究現(xiàn)狀與發(fā)展趨勢分析[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào)，2020，51（1）：1-18.

[8]馬 旭，齊 龍，梁 柏，等. 水稻田間機(jī)械除草裝備與技術(shù)研究現(xiàn)狀及發(fā)展趨勢[J]. 農(nóng)業(yè)工程學(xué)報(bào)，201 7（6）：162-168.

[9]權(quán)龍哲，肖云瀚，王建宇，等. 智能除草裝備苗草模式識別方法研究[J]. 東北農(nóng)業(yè)大學(xué)學(xué)報(bào)，2018，49（9）：79-87.

[10]趙 博，王宗甲，周 鵬，等. 智能雜草識別系統(tǒng)的設(shè)計(jì)與試驗(yàn)（英文）[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2012，28（增刊2）：184-187.

[11]毛文華，王一鳴，張小超. 基于機(jī)器視覺的苗期雜草實(shí)時(shí)分割算法[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào)，2005，36（1）：83-86.

[12]胡 波，毛罕平，張艷誠. 基于二維直方圖的雜草圖像分割算法[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào)，2007，38（4）：199-202.

[13]胡盈盈，王瑞燕，郭鵬濤，等. 基于近地光譜特征的玉米田間雜草識別研究[J]. 江蘇農(nóng)業(yè)科學(xué)，2020，48（8）：242-246.

[14]馬兆敏，黃 玲，胡 波，等. 基于神經(jīng)網(wǎng)絡(luò)的雜草圖像分割算法[J]. 計(jì)算機(jī)工程與應(yīng)用，2009，45（24）：216-218.

[15]鄧向武，齊 龍，馬 旭，等. 基于多特征融合和深度置信網(wǎng)絡(luò)的稻田苗期雜草識別[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2018，34（14）：165-172.

[16]何東健，喬永亮，李 攀，等. 基于SVM-DS多特征融合的雜草識別[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào)，2013，44（2）：182-187.

[17]趙川源，何東健，喬永亮. 基于多光譜圖像和數(shù)據(jù)挖掘的多特征雜草識別方法[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2013，29（2）：192-198.

[19]劉忠偉，戚大偉. 基于卷積神經(jīng)網(wǎng)絡(luò)的樹種識別研究[J]. 森林工程，2020，36（1）：33-38.

[20]Liu J，Wang X W. Plant diseases and pests detection based on deep learning：a review[J]. Plant Methods，202 17（1）：22.

[21]溫德圣. 深度學(xué)習(xí)在復(fù)雜特征雜草識別中的研究與應(yīng)用[D]. 烏魯木齊：新疆大學(xué)，2020：18-20.

[22]Sa I，Chen Z T，Popovic' M，et al. weedNet：dense semantic weed classification using multispectral images and MAV for smart farming[J]. IEEE Robotics and Automation Letters，2018，3（1）：588-595.

[23]姜紅花，張傳銀，張 昭，等. 基于Mask R-CNN的玉米田間雜草檢測方法[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào)，2020，51（6）：220-228，247.

[24]孫 俊，譚文軍，武小紅，等. 多通道深度可分離卷積模型實(shí)時(shí)識別復(fù)雜背景下甜菜與雜草[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2019，35（12）：184-190.

[25]Khoshboresh-Masouleh M，Akhoondzadeh M. Improving weed segmentation in sugar beet fields using potentials of multispectral unmanned aerial vehicle images and lightweight deep learning[J]. Journal of Applied Remote Sensing，202 15：34510-034510.

[26]Su D，Kong H，Qiao Y L，et al. Data augmentation for deep learning based semantic segmentation and crop-weed classification in agricultural robotics[J]. Computers and Electronics in Agriculture，202 190：106418.

[27]Zhang S，Huang W，Wang Z.Combing modified grabcut，k-means clustering and sparse representation classification for weed recognition in wheat field-sciencedirect[J]. Neurocomputing，202 452：665-674.D59F83FD-BB1A-4987-968D-15A933D7EE84