Paulo FLORES等：利用图像和机器学习检测大豆作物幼苗期玉米杂苗（2020年第3期）

利用图像和机器学习检测大豆作物幼苗期玉米杂苗

Paulo FLORES1，张 昭1*，Jithin MATHEW2，Nusrat JAHAN1，John STENGER1

（1. 北达科他州州立大学 农业与生物工程系，北达科他州法戈市 58102，美国；2. 北达科他州州立大学 植物科学系，北达科他州法戈市 58102，美国）

摘 要：在大豆-玉米轮作生产过程中，玉米杂苗会与大豆苗竞争水和肥料，而且很容易遮住大豆苗，影响害虫 （如玉米根虫） 的防控，降低大豆品质。因此，在大豆幼苗期及时检测出玉米杂苗并对其进行处理非常重要。传统的人工检测方法主观性强、效率低，传感器和算法的发展为自动检测玉米杂苗提供了更好的解决方案。本研究在温室环境下模仿田间条件，待玉米和大豆发芽后，连续5天用因特尔RealSense D435相机采集彩色图像，并人工裁剪幼苗图像区域，在此基础上对图像进行分割和去噪。在采集图像形状、色彩和纹理特征值后， 对所采集的特征值进行权重分析， 保留前10种重要的特征值导入基于特征的机器学习算法中进行模型训练和预测。预测结果表明，支持向量机模型 （SVM）、神经网络 （NN） 和随机森林 （RF）的预测精度分别为 85.3%，81.5% 和 82.6%。将数据集导入 GoogLeNet 和 VGG-16 两种深度学习模型进行训练， 预测精度分别为96.0%和96.2%。VGG-16 模型在区分大豆幼苗和玉米杂苗中有较好的表现，彩色图像和VGG-16 模型组成的系统可以自动检测大豆生长过程中玉米杂苗的情况，为农民提供准确的信息，帮助其进行生产决策和田间管理。

关键词：玉米-大豆轮作；玉米杂苗；图像处理；机器学习；深度学习；支持向量机 （SVM）

引文格式：

Paulo FLORES, 张昭, Jithin MATHEW, Nusrat JAHAN, John STENGER. 利用图像和机器学习检测大豆作物幼苗期玉米杂苗[J]. 智慧农业(中英文), 2020, 2 (3): 61-74.

Paulo FLORES, ZHANG Zhao, Jithin MATHEW, Nusrat JAHAN, John STENGER. Distinguishing Volunteer Corn from Soybean at Seedling Stage Using Images and Machine Learning[J]. Smart Agriculture, 2020, 2 (3): 61-74. (in English with Chinese abstract)

文章图文

Fig. 1 Overall process flowchart of distinguishing volunteer corn from soybean with machine learning

(a) Image collection frame with dimensions of 60 cm (width) × 60 cm (length) × 92 cm (height)

(b) A sample image collected by camera

Fig. 2 The image collection frame and a sample image

Fig. 3 Image processing procedure

Fig. 4 VGG-16 model structure with 13 convolutional lay‐ ers (Conv)，5 pooling layers (Pooling)，and 3 fully connect‐ ed layers (FC)

Fig. 5 Inception module used in GoogLeNet for different scale feature extraction

(a)Volunteer corn and soybean classification using SVM

(b) Volunteer corn and soybean classifi‐ cation using NN

(c) Volunteer corn and soybean classifi‐ cation using RF

Note: "0" and "1" represents soybean and corn, respectively

Fig. 6 Confusion matrixes for a sample run of SVM，NN and RF

Fig. 7 Precision values of two feature-based machine learning algorithms

(a) Volunteer corn and soybean classification using GoogLeNet

(b) Volunteer corn and soybean classification using VGG16

Note: "0" and "1" represents soybean and corn, respectively

Fig. 8 Confusion matrixes for a sample run of GoogLeNet and VGG-16

Fig. 9 Precision values of two deep learning algorithms

Fig. 10 Precision comparison of SVM and VGG-16

来源：《智慧农业（中英文）》2020年第3期