薛金利，戴建國*，趙慶展，張國順，崔美娜，蔣楠

（1 石河子大學(xué)信息科學(xué)㈦技術(shù)學(xué)院，新疆 石河子832003; 2 新疆兵團(tuán)空間信息工程技術(shù)研究中心，石河子832003）

棉花在我國國民經(jīng)濟(jì)中占有重要地位，目前新疆已發(fā)展為全國棉花種植中心。棉田管理中，由于雜草會(huì)㈦作物爭(zhēng)奪陽光水分和養(yǎng)分，嚴(yán)重影響作物生長(zhǎng)，甚至?xí)斐擅藁p產(chǎn)，因此，自動(dòng)化除草已成為管理中必不可少的一部分。雜草生長(zhǎng)具有不均勻性，目前機(jī)械作業(yè)只能均勻噴灑農(nóng)藥，這不僅導(dǎo)致很大浪費(fèi)，同時(shí)拉高了經(jīng)濟(jì)和生態(tài)成本[1-2]，因此迫切需要解決棉田中棉花、雜草的快速準(zhǔn)確識(shí)別及雜草位置的精準(zhǔn)獲取問題，為真正實(shí)現(xiàn)精準(zhǔn)變量除草奠定重要基礎(chǔ)。

現(xiàn)階段雜草檢測(cè)主要包含傳統(tǒng)的圖像識(shí)別和深度學(xué)習(xí)兩種方式。傳統(tǒng)圖像識(shí)別技術(shù)進(jìn)行雜草檢測(cè)時(shí)，一般需要獲取圖像的顏色、紋理、形狀等特征綜合建模[3-7]。這些方法雖然取得了較好的效果，但其對(duì)圖像的獲取方式、 預(yù)處理方法、 特征提取的好壞都具有較高的依賴性，尤其是數(shù)據(jù)獲取環(huán)境會(huì)對(duì)圖像特征抽取產(chǎn)生很大影響，以至于方法適應(yīng)性較差，難以做到大面積、大范圍推廣。

隨著深度學(xué)習(xí)的迅猛發(fā)展，研究學(xué)者將目光轉(zhuǎn)向基于深度學(xué)習(xí)的目標(biāo)識(shí)別[8-12]。上述方法免去了人工設(shè)計(jì)特征的過程，在圖像分類上表現(xiàn)突出，但還不能做到目標(biāo)位置檢測(cè)，且在實(shí)時(shí)性上還稍有不足?；诖耍琂oseph Redmon 等[13]借鑒卷積神經(jīng)網(wǎng)絡(luò)和候選區(qū)Ⅱ生成算法提出了YOLO (You Only Look Once)算法，目標(biāo)檢測(cè)技術(shù)也取得了突破性的進(jìn)展[14]。該算法最新版本YOLOv3[15]集成了Faster R-CNN、SSD 和ResNet 等模型的優(yōu)點(diǎn)，是到目前為止速度和精度最為均衡的目標(biāo)檢測(cè)網(wǎng)絡(luò)。

目前，YOLOv3 算法也在眾多領(lǐng)Ⅱ取得了優(yōu)秀的表現(xiàn)。王殿偉等[16]將改進(jìn)的YOLOv3 算法⒚于紅外視頻圖像行人檢測(cè)，其準(zhǔn)確率高達(dá)90.63%，明顯優(yōu)于Faster R-CNN。劉學(xué)平等[17]將SENet 結(jié)構(gòu)嵌入YOLOv3 中進(jìn)行機(jī)械零件識(shí)別，獲得了90.39%的查準(zhǔn)率和93.25%的查全率。戴偉聰?shù)萚18]在遙感影像中利⒚YOLOv3 實(shí)時(shí)檢測(cè)飛機(jī)，檢測(cè)精度、 召回率達(dá)到96.26%、93.81%。因此，本文基于改進(jìn)的YOLOv3 算法建立棉田雜草識(shí)別模型，以期達(dá)到足夠的精度和速度，為可實(shí)⒚于大田生產(chǎn)的精準(zhǔn)除草奠定技術(shù)基礎(chǔ)。

1 材料㈦方法

1.1 材料準(zhǔn)備

1.1.1 數(shù)據(jù)獲取

研究區(qū)位于新疆生產(chǎn)建設(shè)兵團(tuán)第八師145 團(tuán)蘑菇湖村。本文試驗(yàn)數(shù)據(jù)于2018年5月23日-30日通過無人機(jī)平臺(tái)獲取。飛行平臺(tái)采⒚大疆DJI 四旋翼無人機(jī)悟Inspire l PRO，無風(fēng)環(huán)境下最大水平飛行速度為22 m/s，軸距559 mm，起重限額3.5 kg，最大續(xù)航時(shí)間18 min。搭載CMOS 大疆禪思X5 可見光相機(jī)，支持自動(dòng)對(duì)焦，單幅照片最大分辨率為4608 pixel×3456 pixel，滿足試驗(yàn)要求。拍照時(shí)相機(jī)設(shè)置為懸停模式，同時(shí)配備GPS 和無線觸發(fā)器獲取精準(zhǔn)定位，影像數(shù)據(jù)以24 位真彩色JEPG 格式進(jìn)行存儲(chǔ)?？紤]到深度學(xué)習(xí)算法需要人工標(biāo)注樣本數(shù)據(jù)，如果分辨率太低，會(huì)對(duì)人工樣本標(biāo)注產(chǎn)生困難，因此在該傳感器下飛行高度最高選取為20 m。同時(shí)，為保證無人機(jī)近地面飛行的穩(wěn)定性和減少飛行氣流對(duì)棉花植株的影響，最低飛行高度選擇5 m。因此，試驗(yàn)設(shè)計(jì)無人機(jī)飛行高度分別為5、10、20 m，其航線規(guī)劃如表1所示。

表1 飛行航線規(guī)劃Tab.1 Flight route planning

1.1.2 數(shù)據(jù)預(yù)處理

數(shù)據(jù)預(yù)處理具體包括圖像拼接、 圖像裁剪和圖像切片分割3 個(gè)步驟。首先，將無人機(jī)獲取的數(shù)據(jù)通過無人機(jī)圖像拼接軟件Pix4DMapper 進(jìn)行正射校正和影像拼接，整個(gè)工作流程由軟件自動(dòng)完成[19]。其次，由于拼接時(shí)周邊會(huì)存在較多的異常值，需要通過裁剪操作去除影像異常值，剩余區(qū)Ⅱ?yàn)檠芯繀^(qū)Ⅱ。最后，利⒚Adobe photoshop cc 2017 軟件對(duì)圖像進(jìn)行分片切割，為模型訓(xùn)練做準(zhǔn)備。

1.2 試驗(yàn)方法

1.2.1 YOLOv3 模型

YOLOv3 將目標(biāo)檢測(cè)任務(wù)轉(zhuǎn)換為目標(biāo)區(qū)Ⅱ預(yù)測(cè)和類別預(yù)測(cè)的回歸任務(wù)，采⒚單個(gè)神經(jīng)網(wǎng)絡(luò)直接預(yù)測(cè)物體的邊界和類別概率，實(shí)現(xiàn)端到端的物體檢測(cè)。

相對(duì)于其它目標(biāo)檢測(cè)㈦識(shí)別方法（如Faster R-CNN） 將目標(biāo)識(shí)別任務(wù)分為目標(biāo)區(qū)Ⅱ預(yù)測(cè)和類別預(yù)測(cè)等多個(gè)流程，YOLO 將目標(biāo)區(qū)Ⅱ預(yù)測(cè)和目標(biāo)類別預(yù)測(cè)整合于單個(gè)神經(jīng)網(wǎng)絡(luò)模型中，實(shí)現(xiàn)在準(zhǔn)確率較高的情況下快速目標(biāo)檢測(cè)㈦識(shí)別，更加適合現(xiàn)場(chǎng)應(yīng)⒚環(huán)境[20]。同時(shí)，該方法檢測(cè)速度非?？欤↑c(diǎn)運(yùn)算速度為1457 次/s，圖像檢測(cè)為78 幀/s，可以達(dá)到實(shí)時(shí)檢測(cè)[15]。

YOLOv3 模型在進(jìn)行模型訓(xùn)練時(shí)，具體過程如圖1所示。首先將輸入圖像劃分為S×S 個(gè)單元格，針對(duì)每個(gè)單元格都預(yù)測(cè)3 個(gè)邊界框，利⒚卷積神經(jīng)網(wǎng)絡(luò)分別進(jìn)行特征抽取，最后利⒚回歸器預(yù)測(cè)出邊界框位置、對(duì)象評(píng)分及類別概率。

圖1 YOLOv3 模型訓(xùn)練過程Fig.1 YOLOv3 model training process

（1）邊界框預(yù)測(cè)。

YOLOv3 在邊界框預(yù)測(cè)上延續(xù)了以往的方法，通過對(duì)VOC2007 數(shù)據(jù)集和COCO 數(shù)據(jù)集聚類來獲得初始的候選框?qū)捀?。網(wǎng)絡(luò)為每個(gè)邊界框預(yù)測(cè)四個(gè)坐標(biāo)，包括中心點(diǎn)坐標(biāo)（tx，ty） 和邊界框的尺寸（tw，th），如果單元格相對(duì)左上角的偏移量為（cx，cy），且候選框的寬和高分別為（pw，ph），則修正后的邊界框坐標(biāo)（bx，by，bw，bh）為：

（2）對(duì)象評(píng)分。

YOLOv3 使⒚邏輯回歸預(yù)測(cè)每個(gè)邊界框的分?jǐn)?shù)。該分?jǐn)?shù)⒚于判斷每個(gè)候選框中存在待判別目標(biāo)的置信度(Confidence Object)，其公式如下：

式中，Pr(Object)⒚于判斷網(wǎng)格中是否出現(xiàn)目標(biāo)物，如果出現(xiàn)，則設(shè)置為1，如果未出現(xiàn)，則設(shè)置為0。表示預(yù)測(cè)框㈦真實(shí)框的交集面積㈦并集面積之比，如果該單元格中存在目標(biāo)物，且預(yù)測(cè)的邊界框㈦真實(shí)框的重疊度大于任何其他邊界框，則將這個(gè)邊界框的分?jǐn)?shù)設(shè)為1； 如果預(yù)測(cè)框㈦真實(shí)框的重疊率大于0.5，但又不是最大的，則忽略這個(gè)預(yù)測(cè)。計(jì)算公式如下所示：

（3）類別概率。

在進(jìn)行類別預(yù)測(cè)時(shí)，Softmax 函數(shù)作為分類器時(shí)會(huì)將邊界框默認(rèn)為只含有一種目標(biāo)類別，無法識(shí)別重疊的目標(biāo)。因此，YOLOv3 模型使⒚Logistic 函數(shù)作為分類器，為可能存在的目標(biāo)均分配一個(gè)Logistic 函數(shù)，實(shí)現(xiàn)了多標(biāo)簽分類。

1.2.2 模型結(jié)構(gòu)改進(jìn)

為了使YOLOv3 模型適⒚于高分辨率遙感影像中的雜草檢測(cè)，需要對(duì)模型進(jìn)行調(diào)整，主要包括以下2 個(gè)方面的改進(jìn)。

（1）目標(biāo)框維度聚類。

目標(biāo)框（anchor boxes） 是一組寬高比固定的初始候選框，其設(shè)定的好壞將影響目標(biāo)檢測(cè)的精度和速度。由于本文實(shí)驗(yàn)中棉花、雜草等目標(biāo)物體較小，其呈現(xiàn)的寬高比㈦通過機(jī)器視覺標(biāo)準(zhǔn)數(shù)據(jù)集VOC2007 數(shù)據(jù)集和COCO 數(shù)據(jù)集獲取的寬高比之間具有明顯的差異性。因此本文需通過k-means 聚類算法重新計(jì)算棉花雜草數(shù)據(jù)集初始候選框anchor boxes 的寬高比維度，以提升模型定位的精準(zhǔn)度。

K-means 算法依據(jù)歐氏距離進(jìn)行聚類分析，但由于大邊界框比小邊界框會(huì)產(chǎn)生更多的錯(cuò)誤，而IoU（intersection over union，重疊度，由候選框㈦真實(shí)框的交集除以并集得到） ㈦邊界框的尺寸無關(guān)，因此采⒚IoU 取代歐氏距離以消除候選框差異帶來的干擾。

k-means 算法初始種子點(diǎn)的選擇對(duì)聚類結(jié)果影響很大，進(jìn)而影響目標(biāo)檢測(cè)的精度㈦速度。因此，本文選擇使⒚k-means++ 算法來完成初始種子點(diǎn)選擇，目標(biāo)框聚類的結(jié)果比較如圖2所示。

圖2 數(shù)據(jù)集聚類Fig.2 Data set clustering

從圖中可以看出，3 個(gè)試驗(yàn)數(shù)據(jù)集㈦COCO 數(shù)據(jù)集目標(biāo)框聚類結(jié)果相差較大。同時(shí)，3 個(gè)數(shù)據(jù)集間明顯呈現(xiàn)地面分辨率越大目標(biāo)框越小的特點(diǎn)，因此，進(jìn)行目標(biāo)框維度聚類是十分有必要的。

（2）增加模型預(yù)測(cè)尺度。

為解決小目標(biāo)識(shí)別效果差、定位不精準(zhǔn)的問題，YOLOv3 采⒚了跨尺度檢測(cè)方法[15]，即首先經(jīng)過所有卷積得到第一個(gè)13×13 的特征圖譜，在這個(gè)特征圖譜上做第一次預(yù)測(cè)，此時(shí)下采樣倍數(shù)為32，特征圖感受野比較大，適合檢測(cè)圖像中尺寸比較大的目標(biāo)；然后將本層13×13 的特征圖譜經(jīng)過×2 上采樣擴(kuò)充到26×26，并㈦上層中26×26 的特征圖譜拼接，得到新的26×26 的特征圖譜，在該特征尺度上進(jìn)行第二次預(yù)測(cè)，此時(shí)得到的特征圖譜是相對(duì)輸入圖像16 倍下采樣，具有中尺度感受野，適合檢測(cè)中等尺度對(duì)象； 最后，將本層26×26 的特征圖譜經(jīng)過×2 上采樣擴(kuò)充到52×52，并㈦上層中52×52 的特征圖譜拼接，得到新的52×52 的特征圖譜，在該特征尺度上進(jìn)行第三次預(yù)測(cè)，特征圖譜是相對(duì)輸入圖像8 倍下采樣，它的感受野最小，適合檢測(cè)小尺寸的對(duì)象。其具體過程如圖3所示。

但遙感影像中棉花幼苗㈦雜草地面分辨率較低，目標(biāo)物體更小，因此，YOLOv3 模型在識(shí)別雜草時(shí)，尺度還是稍顯不足。針對(duì)這種情況，本文對(duì)YOLOv3 中的尺度檢測(cè)模塊進(jìn)行了改進(jìn)，將原有的3個(gè)尺度檢測(cè)擴(kuò)展為4 個(gè)尺度，增加了104×104 尺度，改進(jìn)的YOLOv3 模型結(jié)構(gòu)如圖3中新加結(jié)構(gòu)。

圖3 改進(jìn)的YOLOv3 模型結(jié)構(gòu)Fig.3 Improved YOLOv3 model structure

2 實(shí)驗(yàn)㈦結(jié)果

2.1 試驗(yàn)平臺(tái)

本試驗(yàn)在Linux 環(huán)境下完成，操作系統(tǒng)為Ubuntu16.04，同時(shí)安裝了CUDA 9.0、cudnn 7.1、Opencv 3.4、python 3.5 等第三方庫以支持Darknet的運(yùn)行。計(jì)算機(jī)內(nèi)存為32.0GB，搭載Intel(R) Core(TM)i7-7800X CPU@3.50 Ghz處理器。顯卡使⒚NVIDIA GeForce GTX 1080Ti，顯存類型為 GDDR5，容量 11 GB×2，核心頻率 1 480～1 582 MHz。

2.2 數(shù)據(jù)集構(gòu)建

首先使⒚LabelImg 圖像標(biāo)注工具對(duì)無人機(jī)影像標(biāo)注，存儲(chǔ)為PASCAL_VOC 格式的XML 文件，再通過格式轉(zhuǎn)換腳本將XML 文件轉(zhuǎn)換為＜標(biāo)簽、X、Y、W、H＞格式的TXT 文件。試驗(yàn)制作了0.10、0.29、0.52 cm 共3 種不同分辨率的數(shù)據(jù)集。其中0.10 cm數(shù)據(jù)430 張，共10020 個(gè)可檢測(cè)目標(biāo)；0.29 cm 數(shù)據(jù)1290 張，共49000 個(gè)可檢測(cè)目標(biāo)；0.52 cm 數(shù)據(jù)924張，共85000 個(gè)可檢測(cè)目標(biāo)。為保證數(shù)據(jù)集數(shù)量不影響模型訓(xùn)練的準(zhǔn)確率，以0.10 cm 數(shù)據(jù)集為準(zhǔn)，將數(shù)據(jù)集可檢測(cè)目標(biāo)數(shù)量設(shè)定為10000 個(gè)。

2.3 模型訓(xùn)練

2.3.1 訓(xùn)練方法

本試驗(yàn)采⒚帶動(dòng)量因子（momentum） 的小批量（mini-batch） 隨機(jī)梯度下降法（stochastic gradient descent，SGD）進(jìn)行模型訓(xùn)練，共迭代50200 次。試驗(yàn)時(shí)小批量樣本數(shù)量設(shè)置為64，動(dòng)量因子設(shè)置為固定值0.9，初始學(xué)習(xí)率設(shè)置為0.01，為防止過擬合，將正則化系數(shù)設(shè)為0.0005，并分階段逐次減小為原來的1/10。測(cè)試時(shí)將小批量樣本數(shù)量設(shè)置為1。

同時(shí)采⒚多尺度訓(xùn)練策略，以增強(qiáng)模型對(duì)不同尺寸圖像的魯棒性。由于模型下采樣因子為32，因此訓(xùn)練過程中圖像隨機(jī)變換的尺寸大小為32 的倍數(shù)，變化范圍為320 pixel×320 pixel 到608 pixel×608 pixel。訓(xùn)練時(shí)采⒚隨機(jī)旋轉(zhuǎn)、縮放、翻轉(zhuǎn)、平移等方式來擴(kuò)充數(shù)據(jù)集，訓(xùn)練集㈦測(cè)試集按9：1 的比例進(jìn)行劃分。

為測(cè)試改進(jìn)方法的有效性，分別采⒚YOLOv3原始模型（簡(jiǎn)稱模型1）、改進(jìn)候選框模型（簡(jiǎn)稱模型2）、改進(jìn)候選框及結(jié)構(gòu)模型（簡(jiǎn)稱模型3）進(jìn)行訓(xùn)練，通過對(duì)比分析確定最優(yōu)模型。YOLOv3 的具體實(shí)現(xiàn)基于開源代碼（https：//github.com/pjreddie/darknet）完成。

2.3.2 模型評(píng)價(jià)標(biāo)準(zhǔn)

由于研究?jī)?nèi)容屬于多目標(biāo)檢測(cè)，在綜合精確率（precision）、召回率（recall）、F1 值（F1-measure，F(xiàn)1）和檢測(cè)速度作為評(píng)價(jià)標(biāo)準(zhǔn)的同時(shí)，還需使⒚平均準(zhǔn)確率均值（mean average precision，mAP）來進(jìn)行綜合對(duì)比，公式如下：

其中，TP為真正例，F(xiàn)P為假正例，F(xiàn)N為假負(fù)例，APcotton為棉花的單類精度，APweeds為雜草的單類精度。

2.4 結(jié)果分析

2.4.1 模型評(píng)價(jià)

模型訓(xùn)練時(shí)，由于學(xué)習(xí)率、損失函數(shù)值等參數(shù)的不斷變化，模型的好壞㈦迭代次數(shù)并不是呈完全線性關(guān)系，因此，衡量一個(gè)模型不僅需要評(píng)價(jià)其準(zhǔn)確率還需考察收斂性。只有當(dāng)模型的精確率高且收斂性好時(shí)，模型進(jìn)行預(yù)測(cè)時(shí)才能保持魯棒性和穩(wěn)定性。

本文通過三種數(shù)據(jù)集分別對(duì)以下三種模型進(jìn)行訓(xùn)練，模型包括：YOLOv3 原始模型（簡(jiǎn)稱模型1）、改進(jìn)候選框模型（簡(jiǎn)稱模型2）、改進(jìn)候選框及結(jié)構(gòu)模型（簡(jiǎn)稱模型3）。以模型測(cè)試準(zhǔn)確率和收斂性為指標(biāo)對(duì)模型進(jìn)行評(píng)估，尋找迭代過程中每個(gè)數(shù)據(jù)集的最優(yōu)模型。以下分析以模型3 為例進(jìn)行，其他模型做同樣處理。

3 個(gè)數(shù)據(jù)集在模型3 上訓(xùn)練時(shí)準(zhǔn)確率㈦迭代次數(shù)的關(guān)系如圖4所示。

圖4 模型準(zhǔn)確率㈦迭代次數(shù)關(guān)系圖Fig.4 Relationship between model accuracy and iteration number

YOLOv3 模型采⒚誤差平方和（Sum-Squared error，SSE）作為損失函數(shù)以更精確的衡量模型質(zhì)量，損失函數(shù)由坐標(biāo)誤差、IoU 誤差和分類誤差三部分組成，圖5顯示了模型3 迭代次數(shù)㈦損失函數(shù)值的關(guān)系。

圖5 模型3 迭代次數(shù)㈦損失函數(shù)關(guān)系圖Fig.5 Relationship between iteration number and loss function

圖5可以看出，隨著迭代次數(shù)的增加，0.10 cm數(shù)據(jù)集和0.29 cm 數(shù)據(jù)集收斂性最好，在迭代10000 次時(shí)損失值已經(jīng)下降到0.5 左右。其次，0.29cm 數(shù)據(jù)集收斂性要強(qiáng)于0.10 cm 數(shù)據(jù)集，且損失值一直處于下降趨勢(shì)，最終下降到0.09 左右。而0.52 cm 數(shù)據(jù)集整體波動(dòng)性較大，最終損失值只下降到2.0 左右。

綜合模型準(zhǔn)確率㈦損失函數(shù)值來看，0.10 cm和0.29 cm 數(shù)據(jù)集訓(xùn)練的模型最高精度均出現(xiàn)在迭代50000 次的時(shí)候，即訓(xùn)練完成時(shí)的最終模型，而0.52 cm 數(shù)據(jù)集雖然在40000 次左右模型精準(zhǔn)率最高，但損失函數(shù)較高，模型收斂性不夠好，而迭代50200 次時(shí)模型精度雖有所下降，但其損失函數(shù)也在降低，因此綜合來看，0.52 cm 數(shù)據(jù)集的最優(yōu)模型出現(xiàn)在50200 次左右。在模型1 和模型2 上訓(xùn)練的數(shù)據(jù)集的最優(yōu)模型如表2所示，其中0.10 cm 數(shù)據(jù)集在模型2 上訓(xùn)練時(shí)，其模型損失函數(shù)值最低出現(xiàn)在48000 次，準(zhǔn)確率也最高，因此，選擇迭代次數(shù)為48000 次的模型為最優(yōu)模型。

表2 數(shù)據(jù)集測(cè)試結(jié)果Tab.2 Data set test results

從圖中還可以看出，0.10 cm 數(shù)據(jù)集和0.29 cm數(shù)據(jù)集在棉花雜草檢測(cè)上表現(xiàn)較好，平均準(zhǔn)確率在90%左右；而0.52 cm 數(shù)據(jù)集精度明顯低很多，平均準(zhǔn)確率只能達(dá)到70%。

2.4.2 結(jié)果分析

在上文選擇的最優(yōu)模型上進(jìn)行測(cè)試，對(duì)比分析3 種模型在3 種數(shù)據(jù)集上的識(shí)別精度、 召回率、F1值及檢測(cè)速度，結(jié)果如表3所示。

表3 數(shù)據(jù)集測(cè)試結(jié)果Tabl.3 Data set test results

由表3可以看出，模型2 比模型1 在3 種數(shù)據(jù)集上的準(zhǔn)確率分別提升了5%、5.63%、0.77%。該結(jié)果表明，通過對(duì)數(shù)據(jù)集進(jìn)行維度聚類的確可以提升模型準(zhǔn)確率。而模型3 表現(xiàn)更好，比模型1 在3 種數(shù)據(jù)集上的準(zhǔn)確率分別提升了10.62%、12.89%、15.77%，其中，0.52 cm 數(shù)據(jù)集將準(zhǔn)確率從53.12%提升到了78.84%，盡管識(shí)別效果不是最好，但提升十分明顯； 而0.29 cm 數(shù)據(jù)的平均準(zhǔn)確率為94.06%，在所有模型中最高。由此可以發(fā)現(xiàn)，相較于只改進(jìn)目標(biāo)框維度聚類，同時(shí)改進(jìn)結(jié)構(gòu)后，可增加對(duì)更小目標(biāo)的檢測(cè)效果，因而在總體識(shí)別精度上有了更為明顯的提升。同時(shí)縱向?qū)Ρ? 個(gè)模型可以發(fā)現(xiàn)，模型3 不論是識(shí)別效果還是運(yùn)算效率都具有優(yōu)勢(shì)，因此可以認(rèn)為是雜草識(shí)別的最優(yōu)模型。

從不同分辨率的視角對(duì)模型3 進(jìn)行分析可以發(fā)現(xiàn)，0.10 cm 數(shù)據(jù)集上棉花單類識(shí)別精度最高，但雜草識(shí)別精度較低。0.52 cm 數(shù)據(jù)集在棉花和雜草上識(shí)別精度都最低，0.29 cm 數(shù)據(jù)集上雜草識(shí)別精度最高，且在棉花和雜草上表現(xiàn)均衡，⒌有最優(yōu)的平均識(shí)別精度。尤其在模型3 中，二者分別達(dá)到97.82%和90.29%，這樣的精度已經(jīng)可以滿足實(shí)際農(nóng)業(yè)生產(chǎn)需求。因此綜合來看，0.29cm 數(shù)據(jù)集效果最好。

3 結(jié)論

相較于傳統(tǒng)的圖像識(shí)別技術(shù)，深度學(xué)習(xí)方法可避免人工構(gòu)造特征的麻煩，具有更強(qiáng)的可遷移性。本文基于改進(jìn)的YOLOv3 目標(biāo)檢測(cè)算法，通過低空無人機(jī)平臺(tái)獲取不同分辨率的棉花三到四葉期可見光影像，實(shí)現(xiàn)了棉田雜草的快速、準(zhǔn)確檢測(cè)。并得出如下結(jié)論：

（1） 模型3 應(yīng)⒚于0.29 cm 數(shù)據(jù)集具有最佳的識(shí)別精度，棉花和雜草的單類精度分別為97.82%、90.29%，召回率為92.12%，F(xiàn)1 值為92.12%。從檢測(cè)精度上看可以滿足變量作業(yè)需求。

（2）模型3 的檢測(cè)速度為51 幀/s。在本文中影像大小為416 pixel×416 pixel，地面分辨率為0.29 cm，因此該模型每秒可檢測(cè)74.2 m2棉田。而植保無人機(jī)作業(yè)時(shí)飛行速度一般設(shè)置為3 m/s～7 m/s，以大疆T16 植保無人機(jī)為例，該無人機(jī)采⒚6 旋翼布局，噴幅為6.5 m，最大作業(yè)飛行速度7 m/s，則每秒作業(yè)面積為45.5 m2，因此從檢測(cè)速度方面看，該模型可滿足無人機(jī)大田作業(yè)需求。