计算机技术与发展2023，Vol.33Issue(8) ：137-143.DOI:10.3969/j.issn.1673-629X.2023.08.020

基于卷积神经网络特征提取的莴苣生长无损监测

Convolutional Neural Networksed Feature Extraction for Non-destructive Lettuce Growth Monitoring

阳昊 黄超 刘欣然 王中举 王龙
计算机技术与发展2023，Vol.33Issue(8) ：137-143.DOI:10.3969/j.issn.1673-629X.2023.08.020
✕
  • 国家科技期刊平台
  • NETL
  • NSTL
  • 维普
  • 万方数据

基于卷积神经网络特征提取的莴苣生长无损监测

Convolutional Neural Networksed Feature Extraction for Non-destructive Lettuce Growth Monitoring

阳昊 1黄超 2刘欣然 1王中举 1王龙2
扫码查看

作者信息

  • 1. 北京科技大学 计算机与通信工程学院,北京 100083
  • 2. 北京科技大学 计算机与通信工程学院,北京 100083;北京科技大学 顺德创新学院,广东 佛山 528399
  • 折叠

摘要

基于计算机视觉的莴苣生长无损监测对莴苣的种植管理有重要的意义.彩色图像包含的纹理、色泽等信息与莴苣生长参数密切相关.以往的研究包括基于人为设计的特征结合机器学习算法估计生长参数,以及通过卷积网络估计生长参数.该文设计了一种结合卷积神经网络和机器学习模型的二阶段算法,用于莴苣的生长参数无损估计.生长参数包括叶片鲜重(LFW)、叶片干重(LDW)、植株高度(H)、植株直径(D)和叶面积(LA).算法的第一阶段训练卷积网络自动从图像中提取特征,第二阶段基于卷积网络提取的特征,利用集成机器学习算法Stacking(随机森林,深度森林)估计生长参数.实验结果表明,相比直接使用卷积网络估计,设计的二阶段算法能显著降低误差,在五个生长参数上的归一化均方误差(NMSE)分别为 2.25%,2.61%,1.63%,0.84%,3.18%,估计值与真实值的决定系数(R2)为 0.955 2,0.957 8,0.892 1,0.884 4,0.936 2.通过引入深度图,使用3D卷积网络从彩色图和深度图的组合中提取特征,高度(H)的估计准确度能进一步提高(NMSE:1.27%,R2:0.916 1).表明通过卷积神经网络自动从图片中提取特征并结合集成机器学习算法用于莴苣的生长参数估计是可行的.

关键词

莴苣/无损监测/卷积神经网络/机器学习/特征提取

Key words

lettuce/non-destructive monitoring/convolutional neural network/machine learning/feature extraction

引用本文复制引用

基金项目

国家自然科学基金(62002016)

广东省基础与应用基础研究基金(2020A1515110431)

佛山市人民政府科技创新专项(BK20BF010)

佛山市人民政府科技创新专项(BK21BF001)

佛山市人民政府科技创新专项(BK22BF009)

出版年

2023
计算机技术与发展
陕西省计算机学会

计算机技术与发展

CSTPCD
影响因子：0.621
ISSN：1673-629X
参考文献量4
段落导航相关论文