樊湘鵬 周建平,2 許 燕,2 李開敬 溫德圣

(1.新疆大學(xué)機(jī)械工程學(xué)院，烏魯木齊 830047;2.新疆維吾爾自治區(qū)農(nóng)牧機(jī)器人及智能裝備工程研究中心，烏魯木齊 830047)

0 引言

我國棉花的生產(chǎn)量和消費(fèi)量均位居世界前列[1]。新疆作為中國最大的優(yōu)質(zhì)商品棉生產(chǎn)基地，其棉花產(chǎn)量占全國棉花產(chǎn)量的60%～70%[2]，棉花已成為新疆地區(qū)國民經(jīng)濟(jì)的重要支柱。棉田中的雜草與棉花爭奪水分、養(yǎng)分和生長空間，造成棉花產(chǎn)量和品質(zhì)下降[3]，雜草也為病蟲害滋生和蔓延提供了生存條件，導(dǎo)致作物病蟲害頻發(fā)。傳統(tǒng)的人工除草方式成本高、效率低，大面積噴灑除草劑雖然可以控制雜草，但藥物殘留會造成土壤肥力下降和嚴(yán)重的環(huán)境污染[4]，干擾生態(tài)平衡[5]，降低棉花品質(zhì)[6]。采用智能裝備進(jìn)行精準(zhǔn)施藥或智能機(jī)械除草具有廣闊的應(yīng)用前景，利用機(jī)器視覺技術(shù)進(jìn)行雜草精準(zhǔn)快速識別和定位是田間雜草精準(zhǔn)防控管理的前提和核心技術(shù)之一[7-8]。

傳統(tǒng)的目標(biāo)檢測主要從機(jī)器視覺獲取的圖像特征入手，借助作物與雜草乃至農(nóng)田背景等對象在顏色、形狀或紋理方面的差異性進(jìn)行圖像處理，通過手動提取特征來實(shí)現(xiàn)雜草目標(biāo)的識別[9-10]。在自然條件下，由于雜草種類多、生長狀態(tài)多樣(如伴生等)和天氣條件多變等復(fù)雜的田間環(huán)境，傳統(tǒng)雜草檢測方法泛化能力有限，嚴(yán)重降低了檢測方法的實(shí)用性。深度學(xué)習(xí)方法與傳統(tǒng)圖像處理方法有著本質(zhì)的不同，它可以學(xué)習(xí)數(shù)據(jù)的深層次特征，實(shí)現(xiàn)密集型圖像計算任務(wù)，解決復(fù)雜環(huán)境下的應(yīng)用問題。在深度學(xué)習(xí)算法中，卷積神經(jīng)網(wǎng)絡(luò)(Convolutional neural network，CNN)模型在作物表型信息解析和植物檢測分類中取得了較好效果[11-16]。文獻(xiàn)[17-21]研究了基于卷積神經(jīng)網(wǎng)絡(luò)的雜草識別方法，雖然這些方法獲得了較高的準(zhǔn)確率，但識別對象多為背景簡單、類型單一的雜草。針對作物和多種雜草共存、目標(biāo)相似、雜草分布不均的雜草識別與定位問題沒有得到很好的解決，導(dǎo)致深度學(xué)習(xí)方法在田間實(shí)際應(yīng)用中嚴(yán)重受限。自然條件下的棉田中具有雜草種類多、目標(biāo)較小、生長形態(tài)多樣(如伴生等)和天氣條件復(fù)雜等特點(diǎn)，雜草與棉花幼苗具有某種程度的相似性。以區(qū)域特征為基礎(chǔ)的卷積神經(jīng)網(wǎng)絡(luò)Faster R-CNN模型識別錯誤率和漏檢率低，能夠直接輸出識別與定位的檢測結(jié)果，且可以實(shí)現(xiàn)實(shí)時檢測[22-23]，在農(nóng)田小目標(biāo)檢測中具有一定的優(yōu)勢[24-25]。

為解決自然環(huán)境下的棉花苗期雜草識別問題，推進(jìn)深度學(xué)習(xí)方法在農(nóng)田目標(biāo)檢測中的應(yīng)用，本文以新疆棉田實(shí)際環(huán)境多種天氣條件下棉花幼苗與多種伴生雜草為研究對象，對獲取的數(shù)據(jù)進(jìn)行增強(qiáng)處理，根據(jù)雜草特點(diǎn)設(shè)計最佳錨尺度，選取合適的特征提取網(wǎng)絡(luò)，優(yōu)化訓(xùn)練策略，建立基于優(yōu)化Faster R-CNN的雜草檢測方法，以期實(shí)現(xiàn)復(fù)雜田間環(huán)境下的棉花幼苗與雜草的快速準(zhǔn)確識別與定位，為后期智能除草提供理論依據(jù)。

1 試驗(yàn)數(shù)據(jù)

1.1 圖像數(shù)據(jù)獲取

試驗(yàn)所需數(shù)據(jù)在2019年5—7月在新疆五家渠市102團(tuán)農(nóng)場棉田，分12個階段(每階段相差5～8 d)使用索尼IMX386型相機(jī)垂直拍攝獲得，相機(jī)距離地面70 cm左右，圖像分辨率為1 079像素×1 157像素，格式為JPEG。為了研究不同天氣影響下的多種雜草圖像識別問題，分別在晴天、多云和雨天進(jìn)行采集，選擇的雜草類型有田旋花、灰綠藜、小薊、硬草、馬唐、馬齒莧、播娘篙7類，保證任意2種雜草之間的數(shù)量比例處于均衡狀態(tài)[20]。采集到的圖像中，雜草的生長狀態(tài)包含：雜草單獨(dú)存在、棉花幼苗與雜草伴生、雜草分布密集、分布稀疏等多種情況。期間總共拍攝4 694幅有效圖像。新疆棉田的棉花幼苗和雜草生長分布情況如圖1所示。卷積神經(jīng)網(wǎng)絡(luò)需要進(jìn)行有監(jiān)督的訓(xùn)練，因此利用Lableme工具對圖像中的目標(biāo)進(jìn)行標(biāo)注，并保存為Pascal VOC格式。

1.2 數(shù)據(jù)增強(qiáng)

卷積神經(jīng)網(wǎng)絡(luò)模型需要大量樣本圖像才能訓(xùn)練出好的識別效果[26]。利用幾何變換和顏色變換的方法對樣本圖像進(jìn)行數(shù)據(jù)增強(qiáng)，每幅圖像的標(biāo)注文件也同步變換。在樣本圖像數(shù)量較少的情況下，通過基本變換可以增加樣本數(shù)量，而且還可以避免因?yàn)闃颖咎倩蛘叱叨忍〉葐栴}造成識別過程中出現(xiàn)的失真或過擬合等問題，改變樣本圖像的亮度和飽和度，可以消除一些圖像噪聲來改變圖像的視覺效果，以緩解模型的過擬合現(xiàn)象。數(shù)據(jù)增強(qiáng)后，樣本數(shù)量擴(kuò)大到原來的4倍，變?yōu)?8 776幅。以棉花幼苗與小薊交叉生長的圖像為例，數(shù)據(jù)增強(qiáng)后得到的圖像效果如圖2所示。

2 優(yōu)化Faster R-CNN雜草識別與定位模型

2.1 Faster R-CNN目標(biāo)檢測算法

Faster R-CNN誕生于2015年[22]，是Two-stage檢測算法的典型代表，具有識別漏檢率低、準(zhǔn)確率高、實(shí)時性強(qiáng)的特點(diǎn)。One-stage算法的典型代表是YOLO(You only look once)系列和SSD(Single shot multibox detector)系列算法，One-stage算法是通過在一個步驟中完成目標(biāo)分類和定位來實(shí)現(xiàn)目標(biāo)檢測。

Faster R-CNN的提出是為了解決Select search方法找尋目標(biāo)區(qū)域速度太慢的問題，即用區(qū)域建議網(wǎng)絡(luò)代替費(fèi)時的Select search。Faster R-CNN的基本結(jié)構(gòu)如圖3所示，該網(wǎng)絡(luò)主要包括共享卷積層單元、區(qū)域建議網(wǎng)絡(luò)和Fast R-CNN這3個模塊。共享卷積層單元是Faster R-CNN中的特征提取網(wǎng)絡(luò)，用于提取圖像特征；區(qū)域建議網(wǎng)絡(luò)通過借助錨(Anchor)，在單一尺度的特征圖上高效地生成多種尺度和多種長寬比的感興趣區(qū)域；Fast R-CNN部分包含ROI Pooling單元、Softmax分類單元和邊界框回歸單元(Bbox regression)，ROI Pooling單元用于池化提取每個感興趣區(qū)域的特征，Softmax分類器單元實(shí)現(xiàn)類別預(yù)測，邊界框回歸單元實(shí)現(xiàn)位置回歸。Faster R-CNN對輸入圖像中的雜草進(jìn)行檢測的流程可以分為3步：首先輸入圖像經(jīng)過預(yù)訓(xùn)練的特征提取網(wǎng)絡(luò)后提取圖像中的目標(biāo)特征；之后區(qū)域建議網(wǎng)絡(luò)利用提取到的特征找出一定數(shù)量的感興趣區(qū)域來估計可能包含雜草目標(biāo)的類別和位置；圖像特征和感興趣區(qū)域輸入到Fast R-CNN中的ROI Pooling單元中提取特征，Softmax回歸對感興趣區(qū)域進(jìn)行分類，判斷雜草目標(biāo)的類別，同時使用邊界框回歸對這些RoIs的位置進(jìn)行微調(diào)(fine-tune),最終獲得檢測框的最終精確位置，即對雜草進(jìn)行定位。

2.2 Faster R-CNN算法優(yōu)化

2.2.1特征提取網(wǎng)絡(luò)優(yōu)選

在Faster R-CNN中最初使用的是ZFNet和VGG16這2種特征提取網(wǎng)絡(luò)，但ZFNet的精度較低，VGG16特征提取器網(wǎng)絡(luò)成為卷積神經(jīng)網(wǎng)絡(luò)中性能優(yōu)秀的結(jié)構(gòu)類型。VGG16中包含了16個權(quán)重層，分別為13個卷積層和3個全連接層，其最大的特點(diǎn)是使用了3×3的卷積核以及2×2的池化核，能夠提取出輸入域中更多細(xì)小的特征。經(jīng)過發(fā)展，雖然一些更深層次的特征提取網(wǎng)絡(luò)如VGG19、ResNet50和ResNet101等出現(xiàn)，但隨著網(wǎng)絡(luò)結(jié)構(gòu)的增加，其深度和參數(shù)也不斷增多，會占用更多的存儲資源和計算單元，導(dǎo)致訓(xùn)練退化，降低模型的性能。在對棉花苗期的幼苗和雜草進(jìn)行檢測時，需要設(shè)計能同時保證識別精度和識別速度的卷積網(wǎng)絡(luò)結(jié)構(gòu)作為特征提取網(wǎng)絡(luò)。本文的試驗(yàn)思路為：選取預(yù)訓(xùn)練的VGG16結(jié)構(gòu)作為Faster R-CNN模型的特征提取網(wǎng)絡(luò)，提取雜草圖像的特征，同時分別選擇VGG19、ResNet50和ResNet101這3種結(jié)構(gòu)的特征提取網(wǎng)絡(luò)作為對比，驗(yàn)證不同特征提取網(wǎng)絡(luò)對模型識別性能的影響。

2.2.2Dropout優(yōu)化算法

VGG16、VGG19、ResNet50和ResNet101這4種特征提取網(wǎng)絡(luò)均是在ImageNet等大型數(shù)據(jù)集上進(jìn)行了充分的訓(xùn)練后才有較好的效果。在ImageNet中有上百萬幅圖像[26]，試驗(yàn)中獲取的雜草圖像數(shù)據(jù)規(guī)模相對較小，因此為避免模型產(chǎn)生過擬合現(xiàn)象，選擇Dropout優(yōu)化算法來提高模型的性能。Dropout算法的作用在于根據(jù)設(shè)定概率使網(wǎng)絡(luò)訓(xùn)練過程中的神經(jīng)元輸出值隨機(jī)丟棄，即使一部分神經(jīng)元“失活”，可以避免網(wǎng)絡(luò)訓(xùn)練過程中產(chǎn)生的過擬合現(xiàn)象。本文在特征提取網(wǎng)絡(luò)的后2個全連接層設(shè)定Dropout訓(xùn)練策略。

2.2.3錨框的改進(jìn)設(shè)計

區(qū)域建議網(wǎng)絡(luò)的作用在于提供候選區(qū)域即感興趣區(qū)域，每幅圖像可生成大約2 000個候選框。在生成區(qū)域建議之前需要確定圖像的最佳錨尺度。RPN以16像素的步幅評估圖像每個位置的不同邊界框，產(chǎn)生的不同邊界框形成的盒子稱為錨，其特征是由它們的比例(盒子面積)和縱橫比決定。本研究中的雜草對象大小不一且種類多，為了使模型能快速檢測到目標(biāo)，本文測試了3種不同縱橫比的Anchor，確定了縱橫比為1∶2與1∶1的錨最佳尺度。輸入圖像的尺寸為500像素×375像素，但網(wǎng)絡(luò)會在最短的一側(cè)將輸入圖像的尺寸調(diào)整為400像素。因此，將最短邊設(shè)定為400像素，錨框的尺寸與圖像中目標(biāo)比較情況如圖4所示。

2.3 雜草識別與定位方法

本文研究的目的是建立適用于自然條件下棉田苗期雜草識別和定位的模型，并具備實(shí)時性檢測的能力。為了實(shí)現(xiàn)對雜草目標(biāo)的檢測，需要準(zhǔn)確定位包含識別對象的Anchor位置，并對雜草的種類進(jìn)行判別。采用Faster R-CNN架構(gòu)下的4種特征提取網(wǎng)絡(luò)進(jìn)行對比試驗(yàn)，通過比較其精確率得到最適合于本研究的特征提取網(wǎng)絡(luò)。在所選最優(yōu)的特征提取網(wǎng)絡(luò)下，將Faster R-CNN模型算法與SSD和YOLO這2種主流目標(biāo)檢測算法進(jìn)行對比，驗(yàn)證所提方法在雜草識別與定位中的性能。

3 模型訓(xùn)練

3.1 試驗(yàn)平臺

整個試驗(yàn)過程的運(yùn)行環(huán)境為：Windows 7(64位)操作系統(tǒng)，Anaconda 3.5.0，CUDA 8.0和cuDNN 6.0庫，搭載Intel(R)Xeon(R)CPU E5-2630 v4 @2.20 GHz處理器，使用開源深度學(xué)習(xí)框架TensorFlow作為開發(fā)環(huán)境，計算機(jī)內(nèi)存16 GB，所用Python版本為3.5.6。

3.2 網(wǎng)絡(luò)模型訓(xùn)練

以Faster R-CNN作為雜草檢測識別的基礎(chǔ)網(wǎng)絡(luò)框架，選擇ImageNet預(yù)訓(xùn)練的模型初始化權(quán)值，采用交替優(yōu)化訓(xùn)練方式，在VGG16、VGG19、ResNet50和ResNet101這4種特征提取網(wǎng)絡(luò)下進(jìn)行訓(xùn)練。為提升模型性能，減少過擬合，選擇帶動量(Momentum)的隨機(jī)梯度下降法(Stochastic gradient descent，SGD)改善模型。動量因子設(shè)置為0.9，最大迭代次數(shù)為 60 000，學(xué)習(xí)率最初設(shè)為0.01，迭代次數(shù)達(dá)到20 000，學(xué)習(xí)率降為0.001，當(dāng)?shù)螖?shù)達(dá)到40 000時學(xué)習(xí)率降為0.000 25，直到迭代次數(shù)達(dá)到最大值后停止訓(xùn)練。在本試驗(yàn)中采用在Dropout的訓(xùn)練策略，Dropout參數(shù)值設(shè)置為0.6。從18 776幅樣本圖像中隨機(jī)選擇其中的70%作為樣本訓(xùn)練集，剩余30%為測試集，測試集用于對模型驗(yàn)證并輸出識別結(jié)果。

3.3 評價指標(biāo)

采用平均精確率(Average precision，AP)作為目標(biāo)檢測性能的評價指標(biāo)。AP與精度P和召回率R有關(guān)，AP是對精度-召回率曲線(P-R)的積分，AP反映模型識別雜草的效果，其值越接近100%，識別效果越好。

4 結(jié)果與分析

4.1 不同特征提取網(wǎng)絡(luò)對模型性能的影響

在Faster R-CNN網(wǎng)絡(luò)的共享卷積層單元有多種預(yù)訓(xùn)練網(wǎng)絡(luò)可供選擇來提取圖像特征，在選擇網(wǎng)絡(luò)時必須考慮特征提取網(wǎng)絡(luò)的特點(diǎn)，特征提取網(wǎng)絡(luò)的結(jié)構(gòu)尺寸、速度和特提取效果都是影響目標(biāo)識別性能的因素。VGG16、VGG19、ResNet50和ResNet101 4種特征提取網(wǎng)絡(luò)是常用的結(jié)構(gòu)，VGG16和VGG19特征提取網(wǎng)絡(luò)的最后一個最大池化層是由ROI最大池化層替換，而ResNet50和ResNet101網(wǎng)絡(luò)是在特征提取層之后插入ROI池化層，且有更深層次的結(jié)構(gòu)。為選取更適合本文研究對象的特征提取網(wǎng)絡(luò)，分別選取VGG16、VGG19、ResNet50和ResNet101 4種特征提取網(wǎng)絡(luò)進(jìn)行試驗(yàn)對比，繪制P-R曲線。召回率反映了分類器對正樣本的覆蓋能力，精度反映了分類器預(yù)測正樣本的精準(zhǔn)度，得到4種特征提取網(wǎng)絡(luò)的P-R曲線如圖5所示，模型性能對比結(jié)果如表1所示。

從圖5可以看出，在Faster R-CNN框架下的4種特征提取網(wǎng)絡(luò)中，VGG16結(jié)構(gòu)的P-R曲線與坐標(biāo)軸所圍成的區(qū)域面積最大，在保持相同召回率的同時能夠保持較高的檢測精度。結(jié)合表1可以看出，VGG16結(jié)構(gòu)的平均識別時間雖不是最少，但平均識別精確率達(dá)到94.21%，均高于VGG19、ResNet50和ResNet101模型，表明VGG16特征提取網(wǎng)絡(luò)結(jié)構(gòu)在Faster R-CNN的配置優(yōu)于其他3種特征提取網(wǎng)絡(luò)。其原因在于，VGG16模型的卷積層采用3×3的濾波器，經(jīng)連續(xù)堆疊組成的卷積序列能夠模仿出更大的感受野效果，可有效提取細(xì)小特征并擬合更加復(fù)雜的特征，因此具有較高的精確率；VGG19采用19層卷積層，大部分參數(shù)集中在全連接層，負(fù)載增加，導(dǎo)致過擬合現(xiàn)象嚴(yán)重，精確率有所降低；ResNet50和ResNet101由于網(wǎng)絡(luò)層級更深，雖然能夠提取到更多深層次特征，但神經(jīng)網(wǎng)絡(luò)在反向傳播過程中梯度衰減，導(dǎo)致部分權(quán)重調(diào)整失效，精確率和檢測速度有所下降。ResNet101結(jié)構(gòu)的平均精確率高于ResNet50結(jié)構(gòu)，但低于VGG16結(jié)構(gòu)。在本試驗(yàn)中，層數(shù)較淺的VGG16特征提取網(wǎng)絡(luò)比更深層次的特征提取網(wǎng)絡(luò)對雜草檢測性能更好?；跈z測速度、樣本數(shù)量及復(fù)雜特點(diǎn)和分類精確率的綜合考量，VGG16特征提取網(wǎng)絡(luò)更適用于本研究項目的需求。本文后續(xù)試驗(yàn)均采用VGG16特征提取網(wǎng)絡(luò)構(gòu)建Faster R-CNN雜草識別模型。

表1 不同特征提取器試驗(yàn)結(jié)果對比

4.2 不同生長狀況的雜草識別與定位效果

新疆棉田多采用滴灌方式，棉花根部附近的水分較多，會出現(xiàn)不同密集程度的棉花與雜草交叉生長現(xiàn)象，相互交叉混合生長的雜草會使得雜草葉片有不同程度的遮擋，在雜草識別中容易帶來無法識別或者識別錯誤等問題，導(dǎo)致雜草識別精度下降。如圖6a僅針對雜草進(jìn)行識別與定位，圖6b對棉花幼苗和雜草同時識別與定位，將棉花幼苗作為檢測對象可以在識別定位過程中區(qū)別于雜草，避免錯誤識別現(xiàn)象。因此，通過對棉花幼苗的識別和定位，可間接提高雜草的識別率。

使用訓(xùn)練好的模型對不同分布密度的雜草檢測效果如圖7所示?？梢园l(fā)現(xiàn)，基于Faster R-CNN的識別模型針對各種分布情況的雜草都具有很好的識別效果，且能夠通過邊界框回歸對棉花幼苗和多個雜草目標(biāo)進(jìn)行準(zhǔn)確定位。不論是雜草分布稀疏還是密集的情況，區(qū)域建議網(wǎng)絡(luò)可以通過Anchor對目標(biāo)進(jìn)行單獨(dú)定位，在圖7a中，棉花幼苗與雜草伴生緊鄰的條件下，模型也能使棉花幼苗和雜草目標(biāo)分離開，并對其準(zhǔn)確定位。在檢測目標(biāo)較多時，出現(xiàn)概率降低的現(xiàn)象。這種情況一是由于棉花幼苗生長間距較小，造成形狀特征交叉擬合，降低了識別效果；二是由于部分棉花幼苗葉面存在斑點(diǎn)，如圖7c左下角識別概率為0.162的棉花幼苗。上述問題可通過增加棉花與雜草互生狀態(tài)下以及帶有斑點(diǎn)的棉花幼苗樣本圖像來提高識別效果。Faster R-CNN中的區(qū)域建議網(wǎng)絡(luò)可以借助Anchor 的形式在圖像的不同位置生成邊框，并提取相應(yīng)區(qū)域的特征，高效生成不同的感興趣區(qū)域，在Fast R-CNN結(jié)構(gòu)中邊界回歸框的微調(diào)作用下實(shí)現(xiàn)對雜草的精確定位?？傮w而言，所提方法可以實(shí)現(xiàn)自然環(huán)境下幼苗與雜草伴生、多種雜草不同分布密度的目標(biāo)識別與定位。

4.3 不同天氣條件雜草圖像對模型的影響

為研究在雜草識別過程中天氣條件對識別率的影響，將晴天、多云和雨天條件下的相同雜草進(jìn)行同等數(shù)量劃分，晴天、陰天和雨天的不同雜草圖像各1 000幅。將這些圖像分別采用訓(xùn)練好的模型進(jìn)行識別，模型在3種天氣條件下的識別時間分別為260.1、345.2、359.8 s，平均識別精確率分別為97.02%、93.77%、90.34%。結(jié)果表明，在雨天環(huán)境獲取的圖像樣本的識別時間最長且識別精度最低。因此，為提高模型在實(shí)際應(yīng)用中的效果，應(yīng)增加在極端天氣條件下的樣本數(shù)量。

4.4 與其他模型算法對比

為了顯示所提方法的優(yōu)越性，在保證相同的試驗(yàn)條件和圖像處理方法條件下，將所提Faster R-CNN算法與主流目標(biāo)檢測算法SSD和YOLO網(wǎng)絡(luò)模型進(jìn)行對比試驗(yàn)。為保證對比試驗(yàn)有效性，3種方法均基于TensorFlow環(huán)境，都采用VGG16結(jié)構(gòu)作為特征提取網(wǎng)絡(luò)，訓(xùn)練方式均為SGD，學(xué)習(xí)率設(shè)置規(guī)則保持一致，Dropout值為0.6，最大迭代次數(shù)為60 000，使用相同的數(shù)據(jù)集訓(xùn)練模型并對棉花幼苗和雜草進(jìn)行識別測試。3種方法最終得到的損失值和精度如圖8所示。

結(jié)合圖8和表2可以看出，3種方法損失值均隨著迭代次數(shù)的增加而遞減，一開始損失值下降較快，這是因?yàn)槌跏紝W(xué)習(xí)率設(shè)置較大的原因，隨著迭代次數(shù)的增加，學(xué)習(xí)率逐漸變小，曲線變化趨于平緩直到收斂。YOLO算法在整個試驗(yàn)過程中損失值一直高于SSD方法和Faster R-CNN方法，平均檢測耗時為0.314 s，最終獲得的平均精確率在3種方法中最低，為84.97%。其原因在于YOLO算法在回歸過程中網(wǎng)格回歸單一，使得對雜草的定位不夠精準(zhǔn)，單網(wǎng)格空間約束限制了模型在雜草分布密集、相鄰較近的預(yù)測，漏檢率較高，導(dǎo)致其檢測精度較低。在迭代次數(shù)10 000之前，SSD方法的損失值與Faster R-CNN方法損失值相差不大，但隨著迭代次數(shù)的不斷增加直到收斂，F(xiàn)aster R-CNN方法的損失值一直低于SSD方法，在檢測精度上SSD方法最終達(dá)到的平均精確率為87.23%，F(xiàn)aster R-CNN平均精確率為94.21%，在3種方法中最高。在識別速度上，SSD相對于YOLO有所提升，處理單幅圖像時間為0.297 s，高于Faster R-CNN方法。SSD算法結(jié)合了YOLO中的回歸思想和Faster R-CNN中的Anchor機(jī)制，使用全圖各個位置的多尺度區(qū)域特征進(jìn)行回歸，因此速度和精確率有所提升。但SSD方法對于目標(biāo)較小、雜草特征和分布復(fù)雜的較小目標(biāo)識別時，由于Anchor對特征圖中的覆蓋范圍大，導(dǎo)致對小目標(biāo)的訓(xùn)練不充分，因而對雜草目標(biāo)較小時的檢測精度降低。Faster R-CNN算法由于采用了區(qū)域建議網(wǎng)絡(luò)RPN代替原來的比較費(fèi)時的Select search算法，從而將候選區(qū)域提取的時間代價降為0.2 s左右，同時由于Anchor的存在，在訓(xùn)練樣本的過程中，通過將真實(shí)的邊框位置相對于預(yù)設(shè)邊框的偏移來構(gòu)建訓(xùn)練樣本，RPN生成的2 000多個框能夠快速準(zhǔn)確地找到雜草圖像中的感興趣區(qū)域ROI，大大提高了目標(biāo)檢測的精度。這說明，在自然條件下小目標(biāo)檢測中，F(xiàn)aster R-CNN比YOLO算法和SSD算法更具有優(yōu)勢，其檢測精度更高，實(shí)時性更好，尤其是在棉花苗期，當(dāng)棉花幼苗與雜草同時存在較小目標(biāo)的情況下，應(yīng)當(dāng)首選Faster R-CNN算法。

表2 3種方法試驗(yàn)結(jié)果對比

4.5 大田環(huán)境下的應(yīng)用驗(yàn)證

為了驗(yàn)證本文方法在實(shí)際場景下的可行性，在新疆石河子133團(tuán)農(nóng)場棉田，采用馳龍植保拖拉機(jī)搭載攝像頭作為圖像拍攝平臺和計算機(jī)平臺，對所提方法進(jìn)行實(shí)際環(huán)境驗(yàn)證，如圖9所示。試驗(yàn)過程中，計算機(jī)運(yùn)行環(huán)境為TensorFlow-GPU，所搭載相機(jī)為順華利SHL-200W/N型工業(yè)USB數(shù)碼相機(jī)，最高分辨率1 600像素×1 200像素，幀速率為6 f/s。將相機(jī)調(diào)整到離地面120 cm的高度，垂直向下拍攝，拍攝好的圖像通過USB數(shù)據(jù)線傳輸?shù)接嬎銠C(jī)指定的文件夾中，調(diào)用模型對圖像進(jìn)行檢測，輸出識別結(jié)果。識別過程對采集到的150幅有效圖像進(jìn)行驗(yàn)證，將棉花誤識別為雜草和將雜草誤識別為棉花的圖像有17幅，實(shí)現(xiàn)了88.67%的平均識別精確率，單幅圖像平均耗時0.385 s。實(shí)際應(yīng)用中只輸出識別結(jié)果是不夠的，為更好將識別結(jié)果應(yīng)用于智能除草裝備或植保機(jī)械，使得在實(shí)際作業(yè)中能夠區(qū)分作物和雜草并進(jìn)行定位，可將作物和雜草分別標(biāo)以紅色和黃色，如圖10所示。在大田環(huán)境下的試驗(yàn)表明了所提方法在田間自然條件下的雜草識別與定位具有一定的可行性和實(shí)用性。

5 結(jié)論

(1)采用數(shù)據(jù)增強(qiáng)方法增加雜草樣本的多樣性和數(shù)量，設(shè)計了符合雜草特點(diǎn)的Faster R-CNN模型錨框，并加入Dropout策略訓(xùn)練模型，利用本文方法能夠?qū)崿F(xiàn)自然條件下與棉花幼苗伴生的7種雜草定位、識別和分類，平均精確率為94.21%。

(2)通過對VGG16、VGG19、ResNet50和ResNet101 4種特征提取網(wǎng)絡(luò)的對比試驗(yàn)，確定了VGG16結(jié)構(gòu)為最佳特征提取網(wǎng)絡(luò)。對比了不同天氣條件下的雜草識別效果，雨天環(huán)境對雜草識別率的影響最大。通過調(diào)整樣本數(shù)量訓(xùn)練出識別精度較高、魯棒性較好的Faster R-CNN網(wǎng)絡(luò)模型，該模型可實(shí)現(xiàn)多種伴生狀態(tài)、不同分布密度特點(diǎn)的雜草檢測。

(3)將Faster R-CNN與YOLO、SSD進(jìn)行比較，F(xiàn)aster R-CNN平均識別時間為0.261 s，平均識別精確率比YOLO算法高9.24個百分點(diǎn)，比SSD算法高6.98個百分點(diǎn)，針對雜草這類較小目標(biāo)的檢測，優(yōu)化后的Faster R-CNN算法綜合性能優(yōu)于YOLO和SSD方法。通過大田試驗(yàn)驗(yàn)證，實(shí)現(xiàn)了自然條件下88.67%的平均識別精確率，平均耗時為0.385 s，說明本文方法具有一定的實(shí)用性和可推廣性，可為后期采用智能裝備除草或精準(zhǔn)噴施提供依據(jù)。