李彧 余心杰 郭俊先

摘要：雜草是危害農(nóng)業(yè)和林業(yè)生產(chǎn)的三害之一，對農(nóng)業(yè)生產(chǎn)、生態(tài)環(huán)境、生物多樣性等均會造成一定的危害。要解決雜草問題首先需要對雜草實現(xiàn)高效準確的識別，通過拍攝新疆旱地玉米大苗田間圖像構(gòu)建數(shù)據(jù)集，提取玉米苗與雜草2類標簽，使用全卷積神經(jīng)網(wǎng)絡(luò)（FCN）準確地分割2類目標實現(xiàn)雜草識別。利用圖像翻轉(zhuǎn)、鏡像、對比度增強、亮度增強等4種增廣方法擴增數(shù)據(jù)集，利用遷移學習技巧，對模型采取非初始參數(shù)訓練，提升模型識別準確率。結(jié)果表明，選擇的U-Net模型識別效果最佳，能夠有效地克服陰天光照、地膜等因素干擾，實現(xiàn)雜草的快速準確識別，驗證集識別正確率96.13%，能夠滿足雜草識別的實際要求。

關(guān)鍵詞：雜草識別;全卷積神經(jīng)網(wǎng)絡(luò);深度學習;語義分割;U-Net模型;VGG

中圖分類號：S126;TP391.41 ??文獻標志碼： A

文章編號：1002-1302（2022）06-0093-08

收稿日期：2021-07-07

基金項目：國家自然科學基金面上項目（編號：61367001）;新疆維吾爾自治區(qū)研究生教育創(chuàng)新計劃科研創(chuàng)新項目（編號：XJ2019G165）;新疆維吾爾自治區(qū)教育廳自然科學重點項目（編號：XJEDU2020I009）。

作者簡介：李 彧（1995—），男，河北保定人，碩士研究生，研究方向為農(nóng)業(yè)無損檢測。E-mail：lxy13109995416@163.com。

通信作者：郭俊先，博士，教授，研究方向為農(nóng)業(yè)無損檢測。E-mail：junxianguo@163.com。

廣義上雜草是指各類生長在不該長的地方的草本植物。在農(nóng)業(yè)生產(chǎn)中定義的雜草是指生長在人工栽培的農(nóng)田上，除了目的栽培作物外的所有植物，即在錯誤的地方生長的植物。雜草不僅與作物競爭陽光、水分和肥料，同時也擠壓了作物的生存空間[1]。如果不及時處理，雜草會阻礙作物生長，導致農(nóng)作物減產(chǎn)，損害產(chǎn)品的質(zhì)量，甚至造成農(nóng)作物絕收，給農(nóng)業(yè)經(jīng)濟帶來極大的危害[2-3]。目前，農(nóng)作物與雜草的識別方法主要包括人工識別、遙感識別、機器視覺識別[4]。人工識別是通過農(nóng)業(yè)從業(yè)人員的主觀認知區(qū)分，不僅耗時費力，而且由于人工易疲勞還存在效率不高的限制。遙感識別使用空間和光譜信息來區(qū)分雜草，克服了人工識別的許多缺點。然而，由于遙感圖像的分辨率低，不適合用于小塊農(nóng)田的密集雜草[5]。隨著計算機技術(shù)的發(fā)展，快速精確的機器視覺識別技術(shù)在雜草識別的應用已經(jīng)越來越廣泛，國內(nèi)外許多學者進行了相關(guān)研究[6-8]。Rojas等將主成分分析（PCA）降維與支持向量機（SVM）的識別算法相結(jié)合，以確定蔬菜作物和雜草之間顏色和質(zhì)地的差異，獲得了超過90%的準確率[9]。張新明等提出了用于識別玉米和雜草的改進的概率神經(jīng)網(wǎng)絡(luò)（PNN）方法，使用次優(yōu)搜索方法構(gòu)造特征向量，在13個特征中篩選最有效的特征，提高了識別性能和速度[10]。上述研究都是基于傳統(tǒng)的機器學習方法進行分類或識別雜草。雖然有一定的成果，但特定特征需要被手動選擇和校準，存在諸如難以提取和抗干擾能力差的問題，這使得傳統(tǒng)的機器視覺方法解決雜草問題時存在適用性較差的缺陷。

此外，除草的主要方法是大規(guī)模噴灑農(nóng)藥，這不僅破壞了生態(tài)環(huán)境，消耗資源，而且還影響到農(nóng)作物的食品安全[11-15]。隨著智能農(nóng)業(yè)的提出，農(nóng)藥精密噴撒技術(shù)可以有效地控制雜草的增長，實現(xiàn)農(nóng)藥利用率最大化，降低藥物殘留[16]。雜草的精確識別為農(nóng)藥精準噴灑技術(shù)奠定了理論基礎(chǔ)，為實現(xiàn)精確噴撒提供了技術(shù)指導[17]。綜上，有必要研究在復雜的自然背景中快速、準確的雜草識別方法。

2014年，Longj等提出改造CNN中的全連接層為卷積層，誕生了全卷積神經(jīng)網(wǎng)絡(luò)（fully convolutional networks，簡稱FCN），是最常見的語義分割神經(jīng)網(wǎng)絡(luò)[18]。同時反卷積層[19]的使用，讓FCN可以維持圖片的分辨率，保證了輸入圖片與輸出圖片的大小相等。全卷積神經(jīng)網(wǎng)絡(luò)識別雜草相對于人工識別和傳統(tǒng)的機器視覺識別具有以下優(yōu)勢：（1）大田作物種植環(huán)境不適合人工作業(yè)，由于大田作物種植面積廣，人工難以長時間準確地識別雜草，利用攝像頭來代替人眼進行測量和判斷，可有效應對需要長時間工作的雜草檢測條件。（2）系統(tǒng)利用FCN的卷積運算自動分析各個目標特征，提取圖像的目標像素分部特征、顏色特征等，擬合這些特征與雜草目標之間的相關(guān)性，建立預測模型，比較傳統(tǒng)圖像處理算法人工選取長度、顏色等特征進行分割具有更高的準確性，并且可以有效地克服地膜等遮蓋物的影響。（3）算法依靠Python程序編寫具有較好的移植性。代碼復雜程度低，無須后續(xù)圖像處理流程從而提高了識別的快速性、實時性。

基于FCN開展雜草識別系統(tǒng)研究，利用FCN構(gòu)建雜草識別模型進行單位面積雜草識別，結(jié)合數(shù)據(jù)集擴增技術(shù)與遷移學習方法，使模型具有精確檢測雜草的能力，并克服地膜、水霧等復雜背景干擾。

1 雜草識別系統(tǒng)地構(gòu)建

1.1 設(shè)計目標

基于深度學習技術(shù)，結(jié)合新疆玉米種植的實際生產(chǎn)情況，在自然光下拍攝玉米大苗期田間作物圖像，組成數(shù)據(jù)集。以實現(xiàn)雜草快速識別為目標，選擇最合適的FCN模型要根據(jù)雜草識別效果，為后續(xù)雜草精準防治和清除奠定前期研究成果。

1.2 系統(tǒng)結(jié)構(gòu)功能設(shè)計

在設(shè)計系統(tǒng)模塊時，將系統(tǒng)劃分為雜草提取、數(shù)據(jù)集構(gòu)建、雜草識別3個模塊，圖1展示了每個模塊的主要功能。

首先，雜草提取模塊對原始雜草圖像完成前期標注，從圖像中分別標注2類標簽：雜草、玉米苗。獲得標注圖像后，在數(shù)據(jù)集構(gòu)建過程中對雜草標簽圖像進行數(shù)據(jù)擴充，包括旋轉(zhuǎn)、亮度增強等。數(shù)據(jù)集擴充后按照比例劃分訓練集與測試集，用于后續(xù)FCN模型訓練。模型構(gòu)建后，各參數(shù)出于初始狀態(tài)，需要依靠算法自適應調(diào)整參數(shù)使模型的損失函數(shù)曲線（loss）達到收斂。雜草檢測模塊利用構(gòu)建的FCN模型實現(xiàn)雜草識別。

1.3 雜草識別計數(shù)方法設(shè)計

基于FCN方法的雜草系統(tǒng)將雜草檢測的流程分為雜草提取、數(shù)據(jù)集構(gòu)建、FCN模型構(gòu)建和雜草識別等4個部分。具體流程如圖2所示。

1.3.1 圖像獲取

玉米種植中棚內(nèi)種植與露天種植的光照條件、觀測條件等均存在差異，對雜草進行識別時需要克服這些干擾，采集不同光照條件下和不同時間的大田圖像。試驗采集圖像數(shù)據(jù)時，單反相機需垂直于地面（圖3），調(diào)焦至圖像清晰后進行拍攝或錄制（錄制需后期截圖）。將單反相機拍攝的每張原始圖像裁剪為320像素×320像素的小幅圖像，方便后期模型處理。針對采集大田圖像，采用人工方式手動分割雜草、玉米苗2類標簽。選取特征區(qū)域制備標簽圖。

1.3.2 遷移學習

在實際試驗中，在訓練深層神經(jīng)網(wǎng)絡(luò)時通常是不會以原始節(jié)點開始訓練的。原因有二：（1）深層網(wǎng)絡(luò)一般會配套一個數(shù)據(jù)量較大的不容易訓練的數(shù)據(jù)集;（2）從原始節(jié)點訓練網(wǎng)絡(luò)調(diào)參工作復雜，模型不容易收斂，拉長了模型訓練時間。通過研究相關(guān)文獻，先導入其他識別模型的權(quán)重然后開始訓練，模型更容易且更快收斂，即遷移學習[20]。在訓練雜草識別模型前，用已經(jīng)過CIFAR-10數(shù)據(jù)集訓練的模型參數(shù)作為初始參數(shù)訓練FCN模型，從而避免了隨機參數(shù)作為初始參數(shù)傳遞更新?？梢源蟠罂s短培訓時間，也可以彌補數(shù)據(jù)不足帶來的影響。

1.3.3 數(shù)據(jù)集增強

數(shù)據(jù)集的建立包括數(shù)據(jù)集的擴展和劃分。樣本數(shù)據(jù)量是深度學習中的關(guān)鍵因素，在訓練數(shù)據(jù)只有少量樣本可用時，數(shù)據(jù)增強是FCN的常用方法[21]。參考相關(guān)文獻使用的增強方法后，利用Keras的內(nèi)置ImageDataGenerator實現(xiàn)圖像增廣：對原始圖像亮度增強、對比度增強、旋轉(zhuǎn)角度和翻轉(zhuǎn)圖像等4種處理。這種擴展不僅可以提高分類效果，而且提高了模型的泛化能力。

研究中使用的亮度調(diào)節(jié)和對比度調(diào)節(jié)方法的數(shù)學原理如公式（1）所示：

g（x）=αf（x）+β。（1）

通常將參數(shù)α>0和β稱為增益和偏置參數(shù)，分別控制對比度和亮度。假定f（x）作為源圖像像素，g（x）輸出圖像像素，上述公式更改為式（2）：

g（i，j）=αf（i，j）+β。（2）

式中：i、j分別表示像素位于第i行和第j列。

將原始圖像翻轉(zhuǎn)到一定角度以獲得新圖像。從數(shù)學原理上，這種轉(zhuǎn)換表示見公式（3）。

通常認為，圖像應該繞中心點旋轉(zhuǎn)，但圖像的原點在左上角。計算時，首先將左上角的原點移動到圖像的中心。假設(shè)一個點（X0，Y0），圖像寬度為W，高度為H，原點變換后的點為（X1，Y1），變換如下：

[X1 Y1 1]=[X0 Y0 1]1000-10-0.5W0.5H1。（3）

圖像旋轉(zhuǎn)角度為θ，（X1，Y1）經(jīng)旋轉(zhuǎn)θ后換為（X2，Y2），公式（4）如下：

[X2 Y2 1]=[X1 Y1 1]cosθ-sinθ0sinθcosθ0001。（4）

旋轉(zhuǎn)后的圖像的寬度為W′，高度為H′，則從笛卡兒原點轉(zhuǎn)換回左上角的公式（5）如下：

[X3 Y3 1]=[X2 Y2 1]1000-100.5W′0.5H′1。（5）

于是，可以通過公式（6）將原始圖像的點轉(zhuǎn)換為旋轉(zhuǎn)后的點。

[X3 Y3 1]=[X0 Y0 1]1000-10-0.5W′0.5H′1

cosθ-sinθ0sinθcosθ0001

1000-100.5W′0.5H′1。（6）

公式（3）鏡像原始圖像以獲得新圖像。在數(shù)學原理上，此轉(zhuǎn)換表示為公式（7）。

與翻轉(zhuǎn)原理類似，假設(shè)原始圖像的高度為H，寬度為W，水平鏡像變換后，原始圖像中像素點 P（x0，y0） 變?yōu)樾碌膱D像坐標P′（W-x0，y0）。如果用 （x0，y0） 表示原始圖像的坐標，水平鏡像變換后圖像的坐標為（x1，y1），則兩者之間的關(guān)系可以表示為：

x1y11=-10W010001y0x01。（7）

擴展圖像的示例在圖4中顯示。原始圖像數(shù)據(jù)集共有3 600張可用圖像，通過該數(shù)據(jù)集擴展方法后共有14 400張圖像。數(shù)據(jù)集增廣后，按照4 ∶1比例組成訓練集與測試集。

1.3.4 FCN識別模型

當FCN模型開始訓練，輸入層經(jīng)過卷積的多次迭代和池化層降參，提取雜草特征，降噪并減小參數(shù)量，整個過程為向前傳播。與此同時，在驗證組的圖像將反向傳播調(diào)整FCN模型權(quán)重和偏置參數(shù)，根據(jù)識別準確率不斷優(yōu)化現(xiàn)有網(wǎng)絡(luò)模型。自動修正FCN模型識別雜草正確率。反卷積層將數(shù)據(jù)恢復成與輸入圖像大小相同的識別圖像輸出。

FCN模型大多基于VGG-16結(jié)構(gòu)設(shè)計。VGG（visual geometry group）是由牛津大學科研團隊[22]提出并改進的一種CNN模型。該團隊提出了多種深度CNN網(wǎng)絡(luò)結(jié)構(gòu)，其中之一被提交ImageNet大視覺識別挑戰(zhàn)（ILSVRC）—2013，因為該模型有13卷積層和3個全連接層。所以也稱為VGG-16。一經(jīng)問世它就立刻成為流行網(wǎng)絡(luò)，其的TOP-5測試精度高達92.7%。圖5顯示了VGG-16的結(jié)構(gòu)。VGG-16和它的前輩結(jié)構(gòu)之間的主要區(qū)別在于，第1層使用一組具有小的感受域的卷積層，而不是具有大的感受域的卷積核。這樣設(shè)計可以使用更少的參數(shù)和多個非線性層，使得決策函數(shù)更有辨別力，同時使模型更容易收斂。

U-Net是經(jīng)典的全卷積神經(jīng)網(wǎng)絡(luò)的一種變型，其結(jié)構(gòu)類似于字母U，因此得名U-Net[23]。整個U形網(wǎng)神經(jīng)網(wǎng)絡(luò)主要由2個部分組成：搜索路徑和擴展路徑。搜索路徑主要用于捕獲在圖片中的上下文信息，相對稱延伸路徑是準確地定位圖片被分割的部分。隨著神經(jīng)網(wǎng)絡(luò)深度的不斷增加，訓練的結(jié)構(gòu)越發(fā)復雜，這需要大量的樣本和計算資源。U-Net 誕生的一個主要原因是可以對一些比較少的樣本數(shù)據(jù)進行訓練。U-Net基于傳統(tǒng)的FCN進行改進，并且利用數(shù)據(jù)增強，該模型在醫(yī)學圖像識別中有廣泛應用，圖6為U-Net模型結(jié)構(gòu)。

基于以上分析，研究嘗試多種FCN模型，基本結(jié)構(gòu)如圖7所示。經(jīng)過多次卷積操作，F(xiàn)CN會將圖像展開，充分獲取特征。卷積運算部分共設(shè)立4個池化層，由于卷積操作會使圖像數(shù)據(jù)量呈現(xiàn)指數(shù)級增長，給計算機運算過程造成極大負擔，池化又稱降采樣過程，通過一定規(guī)則（取平均值或最大值），縮小矩陣規(guī)模，實現(xiàn)解決計算成本。通過4次降采樣可以大大降低網(wǎng)絡(luò)結(jié)構(gòu)中的權(quán)重參數(shù)數(shù)量。設(shè)置丟棄層臨時凍結(jié)一半卷積核，從而抑制過擬合現(xiàn)象。設(shè)置分類函數(shù)，通過Softmax函數(shù)實現(xiàn)雜草與玉米幼苗的語義分割。

2 結(jié)果與分析

2.1 硬件需求

由Python 3.6.5編程實現(xiàn)基于卷積神經(jīng)網(wǎng)絡(luò)的雜草識別模型構(gòu)建，計算機硬件配置為Inteli 5處理器，8 GB內(nèi)存，NVIDIA RTX 2060（6 GB顯存）。所有的FCN模型訓練參數(shù)設(shè)置如下：批處理Batch Size參數(shù)為64，權(quán)重參數(shù)初始學習速率為0.001，動量因子設(shè)置為0.9，使用L2正則化，正則化參數(shù)λ=0.000 5。

2.2 雜草提取

田間采集的原始圖像數(shù)據(jù)包含73幅原始大田圖像。圖像數(shù)據(jù)采集于新疆農(nóng)業(yè)科學院綜合試驗場種植基地。采集時間為2019年5月20日 09：30—13：00，天氣陰，光照度相對較低。原始圖像尺寸為4 496像素×3 000像素，雜草種類較單一，主要為旱作物田間常見的藜（灰灰菜），部分雜草圖像如圖8所示。

將原始圖像裁剪為多張小幅圖像后，剔除無目標的空圖與模糊圖像。標簽提取方法如圖9所示，圖像導入后，圖像標注軟件為labelme，軟件會用不同顏色填充雜草、玉米苗2類標簽圖像。預先設(shè)定images_prepped_test文件夾與annotations_prepped_test文件夾，分別保存所提取的2類標簽圖像，標注圖像與原圖編號一一對應[24]。

2.3 數(shù)據(jù)集構(gòu)建

提高FCN最后識別精度的通用方法就是增加輸入數(shù)據(jù)，因此應盡力豐富數(shù)據(jù)集[25]。采用亮度增強、對比度增強、方向翻轉(zhuǎn)以及鏡像等方式對數(shù)據(jù)集進行擴充。

在剔除一些低質(zhì)量的無目標圖像后本試驗數(shù)據(jù)集共6 640張目標圖片，數(shù)據(jù)集分組編成訓練集、驗證集和測試集。原圖與對應的標注圖按照3 ∶1比例組成訓練集與測試集。訓練集圖像儲存于 data_images_prepped_train 文件夾，對應標簽圖儲存在data_annotations_prepped_train文件夾中。

2.4 FCN模型構(gòu)建

在Keras封裝函數(shù)中選擇covn_base=keras.applications.VGG16（weights，include_top），設(shè)置weight=imagenet，由于使用了遷移學習技巧，將include_top=False，不引入內(nèi)置分類器。模型損失函數(shù)選擇crossentropy，其計算公式為：

L[fω（X），Y]=-1N∑Ni=1yilogfω（xi）。

式中：yi表示期望輸出;Xi表示原始的實際輸出;N表示樣本總數(shù)。利用函數(shù)softmax對雜草與玉米苗目標分類，公式為

yi=exi∑Ck=1exk。

式中：C為通道數(shù);xi為模型輸出的某個像素的值;yi為該像素對應的預測概率。損失函數(shù)優(yōu)化器采用隨機梯度下降法。

mt+1=ρ·mr+Δω;

ωt+1=ωt-lr·mt+1。

式中：mt為當前動量;mt+1為更新后的動量;ωt為當前參數(shù);ωt+1為更新后的參數(shù);Δω為反向傳播得到的梯度;ρ為取值0到1之間的權(quán)重參數(shù);lr為更新的步長，一般取值在0到1之間。

訓練階段，預測后的圖像會在像素級別實現(xiàn)分類，上色功能由Opencv實現(xiàn)，COLORS=np.random.randint（0，255，size=（len（CLASSES）-1，3）與dtype=“uint8”），COLORS=np.vs tack（[[0，0，0]，COLORS]）.astype（“uint8”），將各類目標用隨機顏色填充（圖10）。

2.5 模型測試結(jié)果

系統(tǒng)采用梯度下降算法（SGD）作為模型優(yōu)化器對FCN進行訓練。模型訓練完成后，系統(tǒng)將驗證識別正確率顯示在線形圖中。玉米田大苗雜草數(shù)據(jù)測試集共900張圖片，包含玉米苗圖像、雜草圖像與二者混合圖像分別測試3種網(wǎng)絡(luò)模型，得到玉米大苗期雜草識別結(jié)果如表1所示。

經(jīng)過1 000個epoch訓練模型的訓練集的損失函數(shù)與準確率曲線已然收斂，從測試集的結(jié)果來看，U-Net模型在驗證集上的識別準確率達到了96.13%。在陰天場景與地膜等遮擋物的影響下達到了較高的雜草識別效果，模型相關(guān)的損失函數(shù)曲線與正確率、交并比圖像如圖11所示。

由圖12可知，本研究所構(gòu)建的雜草識別模型對于陰天和地膜影響下的雜草識別效果良好，與人眼主觀判斷一致。

由表1可知，測試的3種網(wǎng)絡(luò)模型中，U-Net表現(xiàn)性能較好，對測試的玉米大苗期雜草正確識別率達96.13%。由于U-Net網(wǎng)絡(luò)被廣泛應用于醫(yī)學領(lǐng)域，并且其結(jié)構(gòu)中的跳躍結(jié)構(gòu)可以使分割邊緣更平滑，故而有較好的識別準確率。FCN-8s模型識別邊緣模糊，不利于后續(xù)進一步研究，且正確率略低。有研究學者曾使用更深層的神經(jīng)網(wǎng)絡(luò)進行識別研究，如Deeplab等，但由于樣本豐富度與FCN模型的參數(shù)微調(diào)效果息息相關(guān)，雜草數(shù)據(jù)集樣本數(shù)量短時間內(nèi)難以擴大，同時隨著數(shù)據(jù)的擴大，硬件條件又會有所限制，F(xiàn)CN模型訓練的關(guān)鍵是使模型參數(shù)量有足夠的數(shù)據(jù)來微調(diào)。盲目增加模型深度，本研究中有限的數(shù)據(jù)樣本可能導致模型過擬合。由于采集的玉米大苗期雜草樣本圖像有限，深度進一步加深的FCN模型，如Deeplab等，兩者之間反而不能很好匹配。

參考文獻：

[1]黃紅娟，張朝賢，姜翠蘭，等. 北疆棉田雜草多樣性及群落組成[J]. 雜草學報，2020，38（1）：7-13.

[2]付瑞霞，王俊平，董立堯. 防除稻麥連作小麥田主要雜草的高活性除草劑室內(nèi)篩選[J]. 雜草學報，2020，38（1）：68-73.

[3]郭云忠，胡 杰，李思娟，等. 陜西關(guān)中灌區(qū)麥田雜草發(fā)生規(guī)律及防治指標[J]. 雜草學報，2021，39（1）：38-42.

[4]毛文華，王一鳴，張小超，等. 基于機器視覺的田間雜草識別技術(shù)研究進展[J]. 農(nóng)業(yè)工程學報，2004，20（5）：43-46.

[5]顏秉忠. 機器視覺技術(shù)在玉米苗期雜草識別中的應用[J]. 農(nóng)機化研究，2018，40（3）：212-216.

[6]Lottes P，Hrferlin M，Sander S，et al. Effective vision-based classification for separating sugar beets and weeds for precision farming[J]. Journal of Field Robotics，2017，34（6）：1160-1178.

[7]Peteinatos G? G，Reichel P，Karouta J，et al. Weed identification in maize，sunflower，and potatoes with the aid of convolutional neural networks[J]. Remote Sensing.2020，12（24）：4185-4185

[8]Wang Z B，Li H L，Zhu Y，et al. Review of plant identification based on image processing[J]. Archives of Computational Methods in Engineering，2017，24（3）：637-654.

[9]Rojas C P，Guzmán L S，Toledo N F V. Weed recognition by SVM texture feature classification in outdoor vegetable crops images[J]. Ingeniería e Investigación，2017，37（1）：68.

[10]張新明，涂 強，馮夢清. 基于改進概率神經(jīng)網(wǎng)絡(luò)的玉米與雜草識別[J]. 山西大學學報（自然科學版），2015，38（3）：432-438.

[11]袁洪波，趙努東，程 曼. 基于圖像處理的田間雜草識別研究進展與展望[J]. 農(nóng)業(yè)機械學報，2020，51（增刊2）：323-334.

[12]齊秀杰. 探討水稻病蟲害防治技術(shù)與對策[J]. 農(nóng)民致富之友，2019（5）：66.

[13]鄭加強，徐幼林. 環(huán)境友好型農(nóng)藥噴施機械研究進展與展望[J]. 農(nóng)業(yè)機械學報，2021，52（3）：1-16.

[14]寇思榮. 甘肅省玉米產(chǎn)業(yè)現(xiàn)狀及玉米育種方向探討[J]. 甘肅科技，2018，34（4）：6-8.

[15]高立強，楊家榮，張彥龍，等. 幾種除草劑減量施用防除玉米田雜草的效果[J]. 雜草學報，2020，38（4）：31-38.

[16]齊 飛，朱 明，周新群，等. 農(nóng)業(yè)工程與中國農(nóng)業(yè)現(xiàn)代化相互關(guān)系分析[J]. 農(nóng)業(yè)工程學報，2015，31（1）：1-10.

[17]劉金浩，王春燕，王宇航，等. 帶農(nóng)作物識別功能的無人機農(nóng)藥噴灑系統(tǒng)的研究[J]. 農(nóng)業(yè)災害研究，2020，10（7）：185-186.

[18]Shelhamer E，Long J，Darrell T.Fully convolutional networks for semantic segmentation[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence，2017，39（4）：640-651.

[19]Zeiler M D，Taylor G W，F(xiàn)ergus R.Adaptive deconvolutional networks for mid and high level feature learning[C]//2011 International Conference on Computer Vision，November 6-13，2011，Barcelona：IEEE，2011：2018-2025.

[20]Mane D T，Kulkarni U V. Visualizing and understanding customized convolutional neural network for recognition of handwritten marathi numerals[J]. Procedia Computer Science，2018，132：1123-1137.

[21]Chollet F. Deep learning with Python[M]. 張 亮，譯. 北京：人民郵電出版社，2018：110-111.

[22]Simonyan K，Zisserman A.Very deep convolutional networks for large-scale image recognition[J]. Computer Science，2014，36（v1）：1409-1425.

[23]Dolz J，Ben Ayed I，Desrosiers C.Dense multi-path U-net for ischemic stroke lesion segmentation in multiple image modalities[M]//Brainlesion：glioma，multiple sclerosis，stroke and traumatic brain injuries. Cham：Springer International Publishing，2019：271-282.

[24]余心杰，王 昊，李 彧，等. 一種基于全卷積神經(jīng)網(wǎng)絡(luò)的對蝦養(yǎng)殖殘餌計數(shù)方法：CN110826592A[P]. 2020-02-21.

[25]王 琛，徐維超. 人臉識別準確率與圖像參數(shù)關(guān)系比較分析[J]. 電子世界，2019（5）：89-91.