基于人工智能的水稻雜草識(shí)別研究

張黎黎

雜草是水稻生產(chǎn)中的重要有害生物，其影響水稻的產(chǎn)量、品質(zhì)且威脅糧食安全和農(nóng)業(yè)生產(chǎn)安全。為保障農(nóng)地質(zhì)量通常采用對(duì)農(nóng)田大面積無(wú)差別噴施除草劑的手段來(lái)做雜草治理，但其農(nóng)藥殘留也造成了環(huán)境污染。精準(zhǔn)變量施藥模式能夠在保證作物的產(chǎn)量和質(zhì)量的前提下有效減少對(duì)環(huán)境的污染。隨著人工智能在農(nóng)業(yè)中的應(yīng)用領(lǐng)域不斷擴(kuò)展，也為雜草的精準(zhǔn)識(shí)別與定位提供了新的方法和思路；依據(jù)高分辨率數(shù)碼影像構(gòu)建水稻雜草識(shí)別模型，形成噴施標(biāo)準(zhǔn)指導(dǎo)變量施藥，對(duì)于農(nóng)田智能化管理和無(wú)人機(jī)精準(zhǔn)噴施具有重要意義。

面向?qū)ο蟮膱D像分析方法將無(wú)人機(jī)遙感圖像分割成包含豐富語(yǔ)義信息的多尺度對(duì)象，針對(duì)每個(gè)對(duì)象提取其特征信息并完成圖像分類任務(wù)。首先，從分割準(zhǔn)確率和分割速度兩個(gè)尺度對(duì)比不同的圖像分割算法，對(duì)遙感圖像進(jìn)行多尺度分割，引入局部最優(yōu)思想合并分割對(duì)象進(jìn)一步提高分割精度；通過(guò)改進(jìn)的K-means算法對(duì)圖像做相似區(qū)域融合。其次，提取無(wú)人機(jī)遙感圖像中對(duì)象的空間語(yǔ)義信息，統(tǒng)計(jì)如顏色、紋理、形狀等能夠有效區(qū)分水稻和雜草的空間特征和拓?fù)潢P(guān)系。取灰度顏色空間轉(zhuǎn)化成局部二值模式圖像后的灰度特征作為紋理特征，與顏色特征的均值組成特征向量作為分類依據(jù)，再次，通過(guò)決策樹(shù)、支持向量機(jī)（SVM）、隨機(jī)森林、BP神經(jīng)網(wǎng)絡(luò)等分類器對(duì)分割算法的超參更新以提高分類性能。經(jīng)有學(xué)者驗(yàn)證，在BP神經(jīng)網(wǎng)絡(luò)的調(diào)參指導(dǎo)下，多尺度分割算法的分類執(zhí)行用時(shí)最短，效果最佳，總體精度達(dá)到83.4%，利用該模型構(gòu)建的施藥處方圖能夠?yàn)槭欠袷┧幪峁﹫?zhí)行依據(jù)。

目標(biāo)檢測(cè)算法定位圖像數(shù)據(jù)的感興趣區(qū)域并確定目標(biāo)類別，在圖像中生成目標(biāo)檢測(cè)框，該算法以其識(shí)別準(zhǔn)確率高且魯棒性強(qiáng)的特點(diǎn)受到越來(lái)多學(xué)者的青睞。目標(biāo)檢測(cè)算法又可分為兩階段和單階段。其中，兩階段算法以Faster R-CNN、MASK R-CNN等典型代表；單階段算法以SSD、Yolo模型為代表。首先通過(guò)圖像濾波算法、伽馬矯正、灰度變換、幾何矯正等方法對(duì)圖像進(jìn)行預(yù)處理來(lái)減少圖像本身來(lái)自于自然環(huán)境或拍攝噪聲的干擾。其次，通過(guò)目標(biāo)檢測(cè)模型形成目標(biāo)候選框，根據(jù)識(shí)別目標(biāo)的不同，可以將目前學(xué)者的研究分成兩類，其一是通過(guò)對(duì)一種或多種雜草的預(yù)標(biāo)注，訓(xùn)練目標(biāo)檢測(cè)模型直接對(duì)雜草本身的識(shí)別；其二是對(duì)作物進(jìn)行標(biāo)注識(shí)別，對(duì)于處于目標(biāo)作物候選框之外的部分即為只包含雜草和背景的圖像，對(duì)其做二值化處理將雜草從土壤背景中分離以得到僅包含雜草目標(biāo)的分割效果圖，降低了傳統(tǒng)識(shí)別任務(wù)中誤識(shí)別的概率，同時(shí)也有效的提升了識(shí)別的精度，使得模型具有較好的泛化性和魯棒性?？梢岳迷擃惸Ｐ椭笇?dǎo)識(shí)別雜草的空間分布和位置，進(jìn)一步為精準(zhǔn)噴施做鋪墊。

圖像語(yǔ)義分割方法將計(jì)算機(jī)視覺(jué)任務(wù)集中到對(duì)于每一個(gè)像素點(diǎn)的分類上，從語(yǔ)義信息上為像素點(diǎn)分配語(yǔ)義標(biāo)簽，隨著深度學(xué)習(xí)的廣泛應(yīng)用，基于深度學(xué)習(xí)的語(yǔ)義分割模型從FCN、UNet、PSPNet到目前效果Deeplabv3+，其應(yīng)用場(chǎng)景也在逐漸擴(kuò)大，已經(jīng)從醫(yī)療影像擴(kuò)展到自動(dòng)駕駛、新農(nóng)業(yè)、地理信息系統(tǒng)等多個(gè)方面。構(gòu)建雜草語(yǔ)義分割模型，學(xué)者們的工作主要集中在兩個(gè)方面：對(duì)語(yǔ)義分割模型進(jìn)行改進(jìn)，包括替換主干特征提取網(wǎng)絡(luò)、對(duì)模型進(jìn)行結(jié)構(gòu)化和非結(jié)構(gòu)化剪枝使模型輕量化以提高計(jì)算速度，在卷積池化模塊后增加注意力機(jī)制來(lái)強(qiáng)化重要特征的提取來(lái)弱化復(fù)雜田間環(huán)境的影響，為了進(jìn)一步提高分割的精度，采用全連接條件隨機(jī)場(chǎng) （FullCRF） 以及多尺度特征提取，將深度信息與特征圖譜融合來(lái)保留更多的語(yǔ)義信息以得到清晰的邊緣分割；對(duì)弱監(jiān)督標(biāo)注的研究，通過(guò)涂鴉式、圖像級(jí)和邊框級(jí)標(biāo)注進(jìn)行粗語(yǔ)義分割，以迭代的方式逐層使用卷積神經(jīng)網(wǎng)絡(luò)動(dòng)態(tài)生成掩膜。通過(guò)弱監(jiān)督的方式，由程序代替人工降低圖像標(biāo)注的時(shí)間成本以提高模型的效率。通過(guò)生成不同雜草的空間分布圖，可為變量施藥過(guò)程中針對(duì)不同類別的雜草做不同除草劑的噴施提供技術(shù)支持。