姚思雨　王磊　張宏文

摘要：針對雜草的精確噴灑問題提出一種基于卷積神經(jīng)網(wǎng)絡(luò)（Convolution Neural Network，CNN）的棉花植株和雜草的檢測識別方法。首先采集不同環(huán)境下棉田中棉花植株和不同種類的雜草圖像作為網(wǎng)絡(luò)模型的數(shù)據(jù)集，對數(shù)據(jù)集進行數(shù)據(jù)增強來增加數(shù)據(jù)集的數(shù)量，將其分為訓(xùn)練集與測試集；然后構(gòu)建CNN模型，在模型中添加Dropout層，以防止網(wǎng)絡(luò)出現(xiàn)過擬合，將訓(xùn)練集數(shù)據(jù)輸入網(wǎng)絡(luò)模型，使模型學(xué)習(xí)棉花植株和雜草的特征信息；最后將測試集數(shù)據(jù)輸入CNN模型，測試CNN模型對棉花植株和雜草的識別能力。研究結(jié)果表明CNN對于棉花植株和雜草的分類結(jié)果精度超過了99.95%，識別時間為197.2s，證明CNN可以快速高效的識別棉田中棉花植株和雜草，為農(nóng)業(yè)智能精確除草裝備的研發(fā)提供研究基礎(chǔ)。

關(guān)鍵詞：棉花植株；雜草識別；深度學(xué)習(xí)；卷積神經(jīng)網(wǎng)絡(luò)

中圖分類號：TP391.4文獻(xiàn)標(biāo)志碼：A文獻(xiàn)標(biāo)識碼

Weed identification method in cotton field based on CNN

YAO? Siyu，WANG? Lei*，ZHANG? Hongwen

（College of Mechanical and Electrical Engineering，Shihezi University，Shihezi，Xinjiang 832003，China）

Abstract： Aiming at the problem of accurate weed spraying，a cotton plant and weed detection and recognition method based on Convolution Neural Network （CNN） was proposed.Firstly，images of cotton plants and weeds of different species in cotton fields under different environments were collected as data sets of network model，and data sets were enhanced to increase the number of data sets，which were divided into training sets and test sets.Then，a CNN model was constructed，and a Dropout layer was added to the model to prevent overfitting.The training set data was input into the network model to make the model learn the characteristic information of cotton plants and weeds.Finally， the data of the test set were input into the CNN model to test the identification ability of the model to cotton plants and weeds.The results show that the classification accuracy of CNN for cotton plants and weeds exceeds 99.95%，and the recognition time is 197.2s，which proves that CNN can quickly and efficiently identify cotton plants and weeds in cotton fields，and provides a research basis for the research and development of agricultural intelligent and accurate weeding equipment.

Key words： cotton plant;weed identification;deep learning;convolutional neural networks

中國棉花種植的優(yōu)勢區(qū)域是新疆，棉花是新疆主要的經(jīng)濟作物之一，2020年新疆棉花種植面積占全國棉花種植面積的78.9%［1］。雜草與棉花爭奪水、養(yǎng)分、光、空間和二氧化碳，會導(dǎo)致棉花的產(chǎn)量損失［2］，另外，在棉田大面積不合理使用除草劑會對棉花產(chǎn)生危害，并且污染土壤環(huán)境，增加成本［3］。為了增加棉花產(chǎn)量，減少環(huán)境污染問題，可利用機器視覺技術(shù)，對棉花植株和雜草的圖像進行分類精確識別，實現(xiàn)精準(zhǔn)噴灑除草劑，從而降低成本，保護土壤和棉花免受過量除草劑的影響。

近年來，很多學(xué)者在雜草識別方向有大量研究成果，其中TRONG V H［4］等提出了一種在不平衡雜草數(shù)據(jù)集上訓(xùn)練深度神經(jīng)網(wǎng)絡(luò)（Deep Neural Network，DNN）模型的多重訓(xùn)練策略，該策略通過一個最小類最大界過程減少訓(xùn)練中的偏差，將訓(xùn)練集中的樣本分成多個折疊，模型在每一個折疊上連續(xù)訓(xùn)練，識別植物幼苗數(shù)據(jù)集的精確度為97.18%；張小龍等［5］對豌豆苗期田間常見雜草的RGB、HSV和HIS顏色空間中各組分的灰色分布進行了對比分析，提出了一種基于R-B色差特征的復(fù)雜背景下雜草分割提取方法，識別雜草的精確度為83.5%。SABZI S等［6］提出一種基于視頻處理和灰度共生矩陣、顏色特征、紋理特征、不變矩和形狀特征的元啟發(fā)式分類器的機器視覺原型，利用這些數(shù)據(jù)在線識別和分類了4 299份土豆和5種雜草的樣本，識別精確度為98%；CHEN Y等［7］采用改進的K最鄰近法雜草圖像分類方法，結(jié)合Gabor小波和區(qū)域協(xié)方差李群結(jié)構(gòu)對4種闊葉雜草圖像進行分類，總體識別精確度為93.13%；YOU J等［8］提出一種基于DNN的雜草作物語義分割檢測方法，并且集成4個組件以提高分割精度，提高了復(fù)雜環(huán)境中任意形狀雜草的分割性能。另外，由于卷積神經(jīng)網(wǎng)絡(luò)（Convolution Neural Network，CNN）具有局部感知、參數(shù)共享和權(quán)值共享的網(wǎng)絡(luò)結(jié)構(gòu)特點，因此被廣泛應(yīng)用于圖像分類［9］、目標(biāo)識別［10］、語音識別［11］等領(lǐng)域，如HOKUT O K等［12］將CNN應(yīng)用于食物圖像的檢測和識別，通過參數(shù)優(yōu)化，準(zhǔn)確率明顯高于傳統(tǒng)基于支持向量機的手工特征提取方法，另外，HOU L等［13］提出一種基于CNN的水果識別算法，首先利用選擇性搜索算法提取圖像區(qū)域，然后利用水果圖像的熵對區(qū)域進行選擇，最后將這些區(qū)域作為CNN的輸入進行訓(xùn)練和識別，用最優(yōu)訓(xùn)練集對網(wǎng)絡(luò)進行訓(xùn)練后，對稱重秤上堆疊的水果識別率顯著提高。上述方法不依賴于圖像預(yù)處理和數(shù)據(jù)轉(zhuǎn)換，可以獨立獲取圖像中有用的特征信息，識別精度優(yōu)于傳統(tǒng)的人工特征識別方法。

為了實現(xiàn)精準(zhǔn)噴灑除草劑，需要一種能準(zhǔn)確識別棉田中棉花植株與雜草的檢測識別方法，CNN作為一種成熟的深度學(xué)習(xí)方法被廣泛應(yīng)用于多個領(lǐng)域的圖像識別工作中，但沒有學(xué)者將其應(yīng)用到棉花的雜草識別工作中。本文提出一種基于CNN的棉田雜草識別方法，用于發(fā)現(xiàn)樣本數(shù)據(jù)的分布式特征和屬性，與傳統(tǒng)的圖像識別和目標(biāo)檢測方法相比，該方法的識別速度、識別精度和泛化能力都有所提高。

1 試驗數(shù)據(jù)

1.1 試驗數(shù)據(jù)獲取

試驗所需數(shù)據(jù)為2021年6—7月在新疆第七師123團農(nóng)場棉田拍攝，分5個階段，每階段相差5～8 d，圖片獲取設(shè)備為realme Q2 Pro 5G，圖像分辨率為4 000像素×3 000像素，格式為JPEG，相機距離地面高度為70～80cm。試驗共采集1 000張棉花植株與棉田中雜草的圖像，為了使試驗更具有科學(xué)可行性，保證圖像樣本多樣性，棉花植株與雜草的數(shù)據(jù)是在不同時間、不同天氣、不同拍攝角度下隨機采集的。棉花植株與雜草的光照強度會影響網(wǎng)絡(luò)的識別率，以不同時間和不同天氣的棉花植株和雜草照片作為數(shù)據(jù)集訓(xùn)練的CNN模型可以準(zhǔn)確識別不同光照強度的棉花植株和雜草。在采集前不對作物周圍環(huán)境做任何人工處理，不同環(huán)境下棉花植株與雜草對應(yīng)的樣本數(shù)量見表1，部分樣本圖像如圖1所示。

1.2 數(shù)據(jù)增強

使用CNN對棉花植株與雜草進行識別時，需要充足的數(shù)據(jù)才能保證網(wǎng)絡(luò)具有較好的識別效果，當(dāng)試驗樣本不足時可能會導(dǎo)致網(wǎng)絡(luò)識別精度低、網(wǎng)絡(luò)過擬合等問題［14-15］，而通過隨機扭曲、變形等方法將已有的圖像數(shù)據(jù)不斷生成新的樣本數(shù)據(jù)［16］。本文使用Python中keras庫中的Image Data Generator（簡稱IDG函數(shù)）函數(shù)對棉花植株與雜草數(shù)據(jù)進行數(shù)據(jù)增強（圖2）。IDG函數(shù)是一種圖像生成函數(shù)，它可以將圖像數(shù)據(jù)進行歸一化、翻轉(zhuǎn)變化、亮度變化、飽和度變化等生成新的數(shù)據(jù)集，可以使CNN學(xué)習(xí)更具有分類特點的特征，防止網(wǎng)絡(luò)過擬合。

IDG函數(shù)的另一個特點是將圖像數(shù)據(jù)按照不同批次輸入網(wǎng)絡(luò)，減少網(wǎng)絡(luò)的內(nèi)存占用，增加網(wǎng)絡(luò)的運行速度。

2 基于CNN的棉田雜草識別模型

CNN模型能夠?qū)W習(xí)圖像輸入和輸出之間存在的復(fù)雜關(guān)系［17-18］，圖3為常用CNN的模型圖。CNN模型由AlexNet網(wǎng)絡(luò)框架為基礎(chǔ)改進而來［19］。

本文提出一種可直接識別棉花植株和雜草圖片的CNN模型結(jié)構(gòu)，將CNN應(yīng)用于棉花植株和雜草的識別工作時，需要按照識別對象分類難度設(shè)定CNN的層數(shù)和具體的參數(shù)。在結(jié)構(gòu)方面，CNN由多個卷積層、池化層和全連接層組成［20］。

為了防止網(wǎng)絡(luò)產(chǎn)生過擬合，本文提出的CNN在此基礎(chǔ)上加入Dropout層，Dropout層可防止網(wǎng)絡(luò)出現(xiàn)過擬合，使網(wǎng)絡(luò)泛化能力更強。本文提出的CNN具體模型結(jié)構(gòu)如圖4所示。

基于CNN棉田雜草識別模型具體參數(shù)如表2所示，CNN卷積層利用卷積計算獲取棉花植株和雜草圖像數(shù)據(jù)集中的特征信息。卷積層中包含卷積核、步長與激活函數(shù)等參數(shù)，其中，卷積核又稱為濾波器，卷積核的大小為3×3，步長為1，激活函數(shù)為ReLU。由于卷積層在選取子區(qū)域時會遺失非常多的邊緣信息，所以一般會在卷積層中設(shè)置邊界填充，邊界填充會以圖片邊界上填充0的方式補全圖片邊界信息。

CNN中最大池化層一般都在卷積層之后，其主要作用是對卷積層輸出的張量進行下采樣操作，下采樣可以將特征圖的尺寸減少一半，從而減少了網(wǎng)絡(luò)運行中不必要的計算，增加網(wǎng)絡(luò)識別速度。

最大池化層從上層特征圖中選擇特征，同時使網(wǎng)絡(luò)模型對平移、旋轉(zhuǎn)和縮放保持不變。最大池化層根據(jù)過濾器的大小將輸入棉花植株和雜草圖像數(shù)據(jù)集分成幾個矩形區(qū)域，并輸出每個區(qū)域的最大值。本文CNN中池化層的大小為2×2，步長為1。

為了防止CNN過擬合，本文研究在CNN中加入Dropout層，Dropout層將輸入張量中部分值置0來關(guān)閉網(wǎng)絡(luò)神經(jīng)元的某些節(jié)點，這可以增加圖片特征的多樣性，使網(wǎng)絡(luò)只學(xué)習(xí)與識別圖片相關(guān)的圖片特征信息，可從較少的數(shù)據(jù)集中學(xué)習(xí)到利于分類的特征，使網(wǎng)絡(luò)模型更具有魯棒性。Dropout層中的參數(shù)是設(shè)為0的值占總值的比率，一般為0.2～0.5，本文將Dropout層設(shè)為0.3。

CNN中的全連接層將上層神經(jīng)元輸出的多維特征轉(zhuǎn)換為一維特征，全連接層激活函數(shù)為ReLU。Sigmoid層是分類層，它可以對上個全連接層的輸出張量進行分類，Sigmoid激活函數(shù)將輸出值映射在0～1之間，分類器按照映射的值進行分類。

3 CNN棉田雜草識別模型訓(xùn)練

3.1 試驗平臺

本研究試驗的運行環(huán)境為64位Windows10系統(tǒng)，顯卡為NVIDIA GeForce GTX 1060（6GB/七彩虹）；搭載CPU為Intel（R） Core（TM） i5-6500 CPU @ 3.20 GHz（四核），內(nèi)存16 GB，編譯器為Pycharm 2020.2.3x64，運行平臺為Python3.8中Tensorflow中的Keras深度學(xué)習(xí)框架。

3.2 模型訓(xùn)練及步驟

（1）分別建立棉花植株和雜草的數(shù)據(jù)集文件夾，棉花植株文件夾起名為cotton，雜草的文件夾起名為grass，棉花植株和雜草的每個文件夾還包括train與test 2個子文件夾。將cotton文件夾和grass文件夾作為網(wǎng)絡(luò)的標(biāo)簽，不同環(huán)境下棉花植株和雜草的圖片數(shù)據(jù)作為訓(xùn)練與測試網(wǎng)絡(luò)的數(shù)據(jù)，其中棉花植株的圖片數(shù)據(jù)500張，不同種類雜草的圖片500張。將不同環(huán)境下棉花植株和雜草的500張圖片分為5等分，每一等分100張，分別將前三等分為訓(xùn)練集，后二等分分為測試集。

（2）使用IDG函數(shù)分別對不同環(huán)境下棉花植株和雜草的訓(xùn)練集進行數(shù)據(jù)增強，通過隨機地改變圖像的朝向、反轉(zhuǎn)圖像、按比例縮放圖像、按一定方向平移圖像、改變圖像對比度、對圖像像素點進行噪聲擾動和切磋變換等方式，從圖片數(shù)據(jù)集中生成新的棉花植株和草的圖片數(shù)據(jù)集。

（3）建立CNN模型。圖4為棉田雜草識別CNN模型結(jié)構(gòu)圖，其中網(wǎng)絡(luò)損失函數(shù)為二進制交叉熵，網(wǎng)絡(luò)優(yōu)化器為RMSprop，網(wǎng)絡(luò)學(xué)習(xí)率為0.0001，網(wǎng)絡(luò)中除了最后一個全連接層的激活函數(shù)為Sigmoid函數(shù)，其余卷積層和全連接層的激活函數(shù)為ReLU。

（4）將數(shù)據(jù)增強后的棉花植株和雜草的數(shù)據(jù)集輸入CNN模型訓(xùn)練網(wǎng)絡(luò)，使網(wǎng)絡(luò)學(xué)習(xí)棉花植株和不同種類雜草的分類特征。

（5）將不同環(huán)境下棉花植株和雜草的測試集輸入訓(xùn)練好的CNN模型，得到測試集的測試精度和損失，以此測試模型的識別分類能力。

4 模型訓(xùn)練的結(jié)果與分析

4.1 精度與損失

網(wǎng)絡(luò)模型的精確度與損失可以直觀解釋網(wǎng)絡(luò)對于棉花植株和雜草的分類情況。在多次模型訓(xùn)練CNN中隨機選取一組結(jié)果展示，圖5、圖6分別為棉花植株和雜草的該CNN模型的精度結(jié)果圖、損失結(jié)果圖，這兩個圖中虛線、實線分別代表網(wǎng)絡(luò)的棉花植株和雜草的訓(xùn)練集結(jié)果和測試集結(jié)果。從這2個圖可以看出CNN棉花植株和雜草的測試集分類精度比訓(xùn)練集的精度高且接近1，說明網(wǎng)絡(luò)中的Dropout層有良好的抗過擬合作用，可使測試集訓(xùn)練結(jié)果比訓(xùn)練集結(jié)果高，網(wǎng)絡(luò)模型的損失接近0，測試集的損失比訓(xùn)練集的損失低。從網(wǎng)絡(luò)的精度和損失結(jié)果圖發(fā)現(xiàn)該模型CNN可以準(zhǔn)確識別不同環(huán)境下棉花植株和雜草的具體特征，能在棉花植株中識別出多種雜草，為實現(xiàn)精準(zhǔn)噴灑除草劑打下良好基礎(chǔ)。

4.2 箱線圖

CNN模型的精度和損失結(jié)果只能展示多次試驗中的一次試驗結(jié)果，而精度箱線圖能包含十次試驗的精度結(jié)果，因此，本文研究引入精度箱型圖。圖7為棉花植株和雜草識別模型的十次精度箱型圖，可以看出棉花和雜草的CNN識別結(jié)果精度基本在99.95%以上，表明CNN模型可以準(zhǔn)確地識別出不同環(huán)境下的棉花植株和不同種類的雜草。

4.3 混淆矩陣

網(wǎng)絡(luò)的精度圖只能看到總的分類情況，而混淆矩陣可以得到棉花植株和雜草的具體分類精度，可以用來衡量CNN模型分類的準(zhǔn)確程度。圖8為CNN的混淆矩陣圖，其中橫坐標(biāo)是預(yù)測的標(biāo)簽，為測試集的分類結(jié)果，縱坐標(biāo)為真實的標(biāo)簽，為測試集原始結(jié)果，通過對比預(yù)測標(biāo)簽和真實標(biāo)簽可以分別得到網(wǎng)絡(luò)的棉花植株與雜草的識別精度；標(biāo)簽0代表棉花植株，標(biāo)簽1代表各種種類的雜草。從圖8可以看出棉花植株和雜草的分類精度都是1，表明網(wǎng)絡(luò)基本可以識別不同環(huán)境下的所有的雜草和棉花植株。

4.4 不同天氣對模型識別的影響

為了研究不同天氣對該CNN模型識別能力的影響，將不同天氣的數(shù)據(jù)集平均劃分，每種天氣圖片數(shù)量各90張。使用訓(xùn)練好的該CNN模型分別識別不同天氣的圖片集，該模型模型在晴天、陰天、雨天和有風(fēng)的識別率分別為99.9%、98.1%、96.4%和98.3%，表明該CNN模型在晴天的識別率最高，在雨天的識別率最低。因此，將CNN應(yīng)用于棉花植株和雜草識別工作中時，需要適當(dāng)增加雨天、陰天樣本集。

4.5 方法的對比與分析

基于CNN棉田雜草識別技術(shù)可以依據(jù)棉田中雜草復(fù)雜度調(diào)整CNN的層數(shù)，在不浪費計算機資源的情況下達(dá)到最優(yōu)識別結(jié)果，為了體現(xiàn)本文提出的基于CNN棉田雜草識別模型的有效性，將CNN分別與Faster R-CNN、BP的棉田雜草識別結(jié)果進行對比，結(jié)果見表2。由表2可知：在運行速度上，CNN棉田雜草識別的平均識別時間最短，平均識別時間只有0.157 s，而BP平均識別需要0.201 s，而Faster R-CNN為0.261 s。產(chǎn)生上述結(jié)果的主要原因是CNN可以自定義結(jié)構(gòu)，從而可以最大化利用計算資源。值得一提的是Faster R-CNN為實例分割網(wǎng)絡(luò)，使用Faster R-CNN學(xué)習(xí)訓(xùn)練數(shù)據(jù)時需要消耗大量計算資源［16］。在平均識別精度方面，CNN對測試集的平均識別率最高，它的識別率為99.9%，而BP的平均識別率為91.8%，F(xiàn)aster R-CNN的平均識別率為94.6%。

以上結(jié)果及分析表明：CNN可以快速準(zhǔn)確識別出棉田中的雜草。

5 結(jié)論

本文提出將CNN應(yīng)用于棉田中的棉花植株和雜草的識別，通過對數(shù)據(jù)集進行數(shù)據(jù)增強來增加數(shù)據(jù)集的數(shù)量，按照一定比例將數(shù)據(jù)集分為訓(xùn)練集與測試集，并且在模型中添加了Dropout層來防止網(wǎng)絡(luò)出現(xiàn)過擬合。

模型訓(xùn)練的研究結(jié)果表明，CNN模型對于棉花植株和雜草的分類結(jié)果精度超過了99.95%，識別時間為197.2s，證明CNN可以快速高效地識別棉田中不同環(huán)境下的棉花植株和不同種類的雜草，并為實現(xiàn)雜草的精確噴灑提供研究基礎(chǔ)。

參考文獻(xiàn)（References）

［1］吳傳云，馮健，陳傳強，等.我國棉花產(chǎn)業(yè)現(xiàn)狀與機械化發(fā)展情況分析［J］.中國農(nóng)機化學(xué)報，2021，42（5）：215-221.

WU C Y，F(xiàn)ENG J，CHEN C Q，et al.Analysis on the current situation and mechanization development of cotton industry in China［J］.China Journal of Agricultural Chemistry，2021，42（5）：215-221.

［2］李桂珍.棉田化學(xué)除草棉花受藥害癥狀及防控措施［J］.棉花科學(xué)，2014，36（4）：61-63.

LI G Z.Symptoms and control measures of chemical weeding cotton in cotton field［J］.Cotton Science，2014，36（4）：61-63.

［3］任琛榮，劉艷祥，王瑋瑋，等.除草劑在新疆棉花上的研究進展［J］.新疆農(nóng)墾科技，2020，43（9）：19-21.

REN C R，LIU Y X，WANG W W，et al.Research progress of herbicides on cotton in Xinjiang［J］.Xinjiang Agricultural Reclamation Technology，2020，43（9）：19-21.

［4］TRONG V H，HYUN Y G，YOUNG K J，et al.Yielding multi-fold training strategy for image classification of imbalanced weeds［J］.Applied Sciences，2021，11（8）：3331.

［5］張小龍，謝正春，張念生，等.豌豆苗期田間雜草識別與變量噴灑控制系統(tǒng)［J］.農(nóng)業(yè)機械學(xué)報，2012，43（11）：220-225.

ZHANG X L，XIE Z C，ZHANG N S，et al.Weed identification and variable spraying control system in pea seedling field［J］.Journal of Agricultural Machinery，2012，43（11）：220-225.

［6］SABZI S，ABBASPOUR-GILANDEH Y，ARRIBAS J.An automatic visible-range video weed detection，segmentation and classification prototype in potato field［J］.Heliyon，2020，6（5）：e03685.

［7］CHEN Y，LIN P，HE Y，et al.Classification of broadleaf weed images using Gabor wavelets and Lie group structure of region covariance on Riemannian manifolds［J］.Biosystems Engineering，2011，109（3）：220-227.

［8］YOU J，LIU W，LEE J.A DNN-based semantic segmentation for detecting weed and crop［J］.Computers and Electronics in Agriculture，2020，178：105750.

［9］張珂，馮曉晗，郭玉榮，等.圖像分類的深度卷積神經(jīng)網(wǎng)絡(luò)模型綜述［J］.中國圖象圖形學(xué)報，2021，26（10）：2305-2325.

ZHANG K，F(xiàn)ENG X H，GUO Y R，et al.Overview of deep convolution neural network models for image classification［J］.Chinese Journal of Image and Graphics，2021，26（10）：2305-2325.

［10］郭陽，許貝貝，陳桂鵬，等.基于卷積神經(jīng)網(wǎng)絡(luò)的水稻蟲害識別方法［J］.中國農(nóng)業(yè)科技導(dǎo)報，2021，23（11）：99-109.

GUO Y，XU B B，CHEN G P，et al.Rice pest identification method based on convolution neural network［J］.China Agricultural Science and Technology guide，2021，23（11）：99-109.

［11］董炳辰.基于深度卷積神經(jīng)網(wǎng)絡(luò)的語音情感識別研究［D］.武漢：武漢郵電科學(xué)研究院，2021.

［12］HOKUTO K，KIYOHARU A，MAKOTO O.Food detection and recognition using convolutional neural network［C］//Proceedings of the 22nd ACM International Conference on Multimedia.New York：ACM，2014：1085-1088.

［13］HOU L，WU Q，SUN Q，et al.Fruit recognition based on convolution neural network［C］//2016 12th International Conference on Natural Computation，F(xiàn)uzzy Systems and Knowledge Discovery （ICNC-FSKD）.New York：IEEE，2016：18-22.

［14］楊紅云，肖小梅，黃瓊，等.基于卷積神經(jīng)網(wǎng)絡(luò)和遷移學(xué)習(xí)的水稻害蟲識別［J/OL］.激光與光電子學(xué)進展：1-13［2021-12-01］.

YANG H Y，XIAO X M，HUANG Q，et al.Rice pest iden-tification based on convolution neural network and transfer learning［J/OL］.Progress in Laser and Optoelectronics：1-13［2021-12-01］.

［15］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］.計算機工程與應(yīng)用，2009，45（24）：216-218.

MA Z M，HUANG L，HU B，et al.Weed image segmentation algorithm based on neural network［J］.Computer Engineering and Application，2009，45（24）：216-218.

［16］李開敬，許燕，周建平，等.基于Faster R-CNN和數(shù)據(jù)增強的棉田苗期雜草識別方法［J］.新疆大學(xué)學(xué)報（自然科學(xué)版），2021，38（4）：450-456.

LI K J，XU Y，ZHOU J P，et al.Weed identification method in cotton field at seedling stage based on Faster R-CNN and data enhancement［J］.Journal of Xinjiang University （Nation Science Edition），2021，38（4）：450-456.

［17］HANGO V D，HOANG D H，HIEU C L.Action recognition based on sequential 2D-CNN for surveillance systems［C］//IECON 2018-44th Annual Conference of the IEEE Industrial Electronics Society.New York：IEEE，2018：3225-3230.

［18］PHAM M T，KIM J M，KIM C H.2D CNN-based multi-output diagnosis for compound bearing faults under variable rotational speeds［J］.Machines，2021，9（9）：199.

［19］楊紅云，萬穎，王映龍，等.基于批歸一化與AlexNet網(wǎng)絡(luò)的水稻病害識別［J］.激光與光電子學(xué)進展，2021，58（6）：164-174.

YANG H Y，WAN Y，WANG Y L，et al.Identification of rice diseases based on batch normalization and AlexNet network［J］.Laser and Optoelectronics Progress，2021，58（6）：164-174.

［20］李波，彭文學(xué)，周蕊，等.基于卷積神經(jīng)網(wǎng)絡(luò)的油菜病害識別模型［J］.南方農(nóng)業(yè)，2021，15（31）：130-133.

LI B，PENG W X，ZHOU R，et al.Identification model of rape disease based on convolutional neural network［J］.Southern Agriculture，2021，15（31）：130-133.

（責(zé)任編輯：編輯張忠）

收稿日期：2022-03-03

基金項目：兵團重點領(lǐng)域創(chuàng)新團隊（2019CB006）

作者簡介：姚思雨（1998—），女，碩士研究生，專業(yè)研究方向為深度學(xué)習(xí)及圖像處理，e-mail：yaosiyu@stu.shzu.edu.cn。

*通信作者：王磊（1983—），男，副教授，主要研究方向為機械制造、機械設(shè)計及理論方面，e-mail：wl_mac@shzu.edu.cn。