刺萼龙葵一种常见的外来入侵杂草，已在中国的北方多个地区出现，给当地的生态环境和生物多样性造成严重影响。对于外来入侵植物刺萼龙葵治理的关键在于快速发现、快速评估、和快速处理。利用图像处理技术和深度学习技术对刺萼龙葵进行快速检测和评估，以及实时清除，能够在节省人力的基础上有效防止刺萼龙葵的扩散传播，对生态环境和农业生产有着重要意义。因此本文以入侵植物刺萼龙葵为对象，对外来入侵杂草的检测方法与清除系统进行研究。首先利用无人机对已经形成种群规模的刺萼龙葵入侵情况进行大范围的监测，并评估其成害程度;然后利用地面无人车对被侵害区域的刺萼龙葵植株进行精确检测和定点清除。论文的主要研究内容如下: (1)提出一种基于深度学习的图像分割方法用于刺萼龙葵的灾情检测和评估。使用无人机获取刺萼龙葵图像，并按照特定的处理方法将其裁剪成大小相同的子图像。将子图导入基于U-Net的卷积神经网络DeepSolanum-Net中进行处理，提取和标记出子图中属于刺萼龙葵植株的像素。将所有的处理结果按照子图裁剪规则进行还原，得到原始图像相对应的刺萼龙葵像素提取结果。根据图像分割结果和无人机的飞行高度计算刺萼龙葵在地面的覆盖率和覆盖面积。试验结果显示通过使用本方法，刺萼龙葵植株有效像素的识别精确度达到89.95％，召回率达到90.3％。 (2)提出一种融合YOLOv5和注意力机制的卷积神经网络模型YOLOv5_CBAM用于刺萼龙葵幼苗植株的检测。设计了一种通过计算重叠率对高分辨率图像进行切割的方法用于构建数据集，该方法能够降低由于图像分辨率太高而在训练过程中压缩图像造成细节丢失的可能性。在网络的训练过程中使用多尺度的训练方法，用于提升训练性能。消融试验结果表明YOLOv5_CBAM在精确率和召回率方面均高于YOLOv5,且经过多尺度训练，网络的性能再次得到了提升。将训练完成的网络模型部署到Jetson AGV Xavier进行现场试验，试验结果表明，网络模型的实时识别精确率和召回率分别为94.65％和90.17％,识别速度和识别效果可以应用于入侵杂草刺萼龙葵幼苗的早期现场实时检测中。 (3)设计了一种自走式刺萼龙葵清除平台，构建了分区域清除机构实现刺萼龙葵的实时清除。该清除系统经过现场试验，对刺萼龙葵的清除率达到92.09％,能够应用于对刺萼龙葵的现场清除工作中。
NETL
