摘要
在中国，大豆是非常重要的农作物，在它的生产过程中，身边的杂草会对其生长产生严重影响。目前，我国除草主要依靠大面积喷洒化学除草剂，但是这样往往会造成环境污染。因此，本文以东北地区大豆田（主要是黄大豆田）杂草为例，结合数字图像处理和深度学习技术，以卷积神经网络算法为基础，以实现快速且精准的识别大豆幼苗与杂草为目标，研究和设计出一款能够自动识别大豆幼苗与杂草的系统。期望此系统在以后能够结合自动化喷药系统一同使用，来实现除草剂的可变喷洒，从而起到降低生产成本、保护生态环境的作用。本文的主要研究内容有： （1）本文研究的第一步是制作数据集，因为目前还没有公开的杂草数据集可以使用。虽然可以在Kaggle和VOC等网站上找到一些植物数据集，但远远达不到本文实验的要求和质量。所以本文作者实地采集自然条件下的东北大豆幼苗（主要是黄大豆）与杂草图像，采集时充分考虑到光照、角度、时间等的影响。最后将采集到的图像数据使用Labellmg标注工具手工标注成VOC数据集格式。之后还使用迁移学习方法，将之前在VOC数据集上训练好的植物识别模型，迁移到搭建的识别模型中使用，已达到扩充数据集的作用。 （2）探讨了不同的目标检测识别方法在杂草识别方面的应用效果，搭建了基于YOLOv4算法和基于Mask R-CNN算法的杂草识别模型。将两种识别模型的检测结果和本文搭建的另外四种YOLOv5网络模型的识别结果进行对比，分析实验数据，得出实验结果。最终得出YOLOv5m模型在杂草识别方面最满足本文实验和系统构建要求，具有更好的识别优势和应用前景。之后本文使用FEM模块对YOLOv5m模型进行特征增强处理，并采用迁移学习方法优化YOLOv5m识别模型，使得模型的准确率有所提升。 （3）最后，在之前的多种识别模型实验对比和数据分析基础上，结合前几章的实验结果和理论，使用计算机编程技术等设计并构建了一款基于深度学习YOLOv5m模型的东北大豆幼苗与杂草识别系统。并详细介绍了系统的需求分析、功能模块、整体架构、研发环境、实现流程、设计过程和具体实现等。之后系统通过了功能与性能测试，并在自然环境下进行了实验。实验结果表明，系统能够较好的完成对东北大豆幼苗及其伴生杂草的识别判断。期望此系统能够为以后的自动化除草技术和智慧农业发展提供一定的参考价值和技术支持。
NETL