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)量通常采用對農(nóng)田大面積無差別噴施除草劑的手段來做雜草治理，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)建水稻雜草識別模型，形成噴施標(biāo)準(zhǔn)指導(dǎo)變量施藥，對于農(nóng)田智能化管理和無人機(jī)精準(zhǔn)噴施具有重要意義。

面向?qū)ο蟮膱D像分析方法將無人機(jī)遙感圖像分割成包含豐富語義信息的多尺度對象，針對每個對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尺度對比不同的圖像分割算法，對遙感圖像進(jìn)行多尺度分割，引入局部最優(yōu)思想合并分割對象進(jìn)一步提高分割精度；通過改進(jìn)的K-means算法對圖像做相似區(qū)域融合。其次，提取無人機(jī)遙感圖像中對象的空間語義信息，統(tǒng)計如顏色、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，通過決策樹、支持向量機(jī)（SVM）、隨機(jī)森林、BP神經(jīng)網(wǎng)絡(luò)等分類器對分割算法的超參更新以提高分類性能。經(jīng)有學(xué)者驗證，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為是否施藥提供執(zhí)行依據(jù)。

目標(biāo)檢測算法定位圖像數(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)檢測框，該算法以其識別準(zhǔn)確率高且魯棒性強(qiáng)的特點(diǎn)受到越來多學(xué)者的青睞。目標(biāo)檢測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。首先通過圖像濾波算法、伽馬矯正、灰度變換、幾何矯正等方法對圖像進(jìn)行預(yù)處理來減少圖像本身來自于自然環(huán)境或拍攝噪聲的干擾。其次，通過目標(biāo)檢測模型形成目標(biāo)候選框，根據(jù)識別目標(biāo)的不同，可以將目前學(xué)者的研究分成兩類，其一是通過對一種或多種雜草的預(yù)標(biāo)注，訓(xùn)練目標(biāo)檢測模型直接對雜草本身的識別；其二是對作物進(jìn)行標(biāo)注識別，對于處于目標(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)識別任務(wù)中誤識別的概率，同時也有效的提升了識別的精度，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。

圖像語義分割方法將計算機(jī)視覺任務(wù)集中到對于每一個像素點(diǎn)的分類上，從語義信息上為像素點(diǎn)分配語義標(biāo)簽，隨著深度學(xué)習(xí)的廣泛應(yīng)用，基于深度學(xué)習(xí)的語義分割模型從FCN、UNet、PSPNet到目前效果Deeplabv3+，其應(yīng)用場景也在逐漸擴(kuò)大，已經(jīng)從醫(yī)療影像擴(kuò)展到自動駕駛、新農(nóng)業(yè)、地理信息系統(tǒng)等多個方面。構(gòu)建雜草語義分割模型，學(xué)者們的工作主要集中在兩個方面：對語義分割模型進(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算速度，在卷積池化模塊后增加注意力機(jī)制來強(qiáng)化重要特征的提取來弱化復(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 （FullCRF） 以及多尺度特征提取，將深度信息與特征圖譜融合來保留更多的語義信息以得到清晰的邊緣分割；對弱監(jiān)督標(biāo)注的研究，通過涂鴉式、圖像級和邊框級標(biāo)注進(jìn)行粗語義分割，以迭代的方式逐層使用卷積神經(jīng)網(wǎng)絡(luò)動態(tài)生成掩膜。通過弱監(jiān)督的方式，由程序代替人工降低圖像標(biāo)注的時間成本以提高模型的效率。通過生成不同雜草的空間分布圖，可為變量施藥過程中針對不同類別的雜草做不同除草劑的噴施提供技術(shù)支持。