摘要
农田杂草是影响农作物生长的主要因素，也是导致农作物减产的一个重要因素，所以农田杂草的有效防治与农作物产量息息相关。为了避免杂草对农作物生长的威胁，同时也为了杜绝资源损耗、保障农业生产者收入等，高效精准的识别杂草种类并处理杂草是当务之急。而在信息技术高度发展的今天，机器视觉和图像处理这两种方法相结合在识别杂草的工作中发挥着越来越重要的作用。本文以深度学习算法为核心，使用FasterR-CNN、SSD、YOLOv3和YOLOv4这四种模型对杂草进行识别，通过对比召回率、精准率、AP和mAP值获得最佳识别模型YOLOv4，并将其应用在农业生产中。最后本文开发了微信识别小程序，在实际农业生产中可以方便快速的识别各类杂草，为农业生产提供可靠支持。 本文以山西农业大学西站玉米地、大豆地以及牧站中常见的杂草为研究对象,主要研究内容如下： 1.针对北方旱地杂草的研究种类不全、数量不够、没有公开数据集等问题，本文在数据收集中以山西农业大学西站玉米地、大豆地以及牧站中常见的杂草种类进行收集整理，杂草种类有：刺苋、狗尾草、剑叶凤尾蕨、夏至草、龙葵草、琉璃草、藜、地榆草、马齿苋、益母草等十种杂草，样本数总计4835张，试验数据更具有地域特征性，弥补了北方旱地杂草数据集不够的局限。 2.本文使用深度学习算法中的FasterR-CNN、SSD、YOLOv3和YOLOv4四种模型对杂草数据集进行训练，并对模型检测结果进行对比分析。通过对四种模型的precision(精准率)、recall(召回率)、AP(平均精度)、mAP(多个类别AP的平均值)分析总结，FasterR-CNN模型mAP值为82.05%，SSD模型mAP值为80.42%，YOLOv3模型mAP值为83.34%，YOLOv4模型mAP值为86.53%，对比可得YOLOv4在杂草识别中表现最好，最适合在农业生产中进行杂草识别。 3.为了可以最大合理化的处理杂草，也考虑到实际操作的可行性，本文针对农业工作中杂草的实际应用和药用资源等，利用当下手机的普及程度和微信的广泛使用，开发了可以使用的微信杂草识别小程序。小程序将杂草识别的结果清楚呈现在界面上，并附上各类杂草的防治措施和药用价值，可以让使用者清楚的了解每种杂草，从而采取对应的措施。从另一种角度解读杂草的优势和处理，在农业的实际操作中起到了重要的作用，也使本研究可以在实际生活中发挥作用。
NETL