【技术实现步骤摘要】
基于CNN和GraphSAGE的苜蓿田杂草识别方法
[0001]本专利技术属于图像识别
,具体涉及基于CNN和GraphSAGE的苜蓿田杂草识别方法。
技术介绍
[0002]紫花苜蓿是豆科苜蓿属多年生草本植物,是我国的主要牧草之一,因具有产量高、品质好、根系发达、耐寒耐旱等优点,被誉为“牧草之王”。种植紫花苜蓿可以改良土壤、保持水土,起到保护生态环境的重要作用。紫花苜蓿含有丰富的矿物质和大量的粗蛋白,被认为是牲畜重要的饲料作物,是奶牛最好的饲料。
[0003]紫花苜蓿苗期生长缓慢,杂草是苜蓿生产过程中的一项重大威胁,它们会与苜蓿竞争养分、空间、阳光和水,危害时间长,会造成苜蓿幼苗弱小、根系生长困难,难以形成群落,从而降低牧草产量和营养价值。此外,某些杂草种类如紫苏薄荷含有对牲畜有害的物质,所以杂草防控应该贯穿于苜蓿生产全程。
[0004]化学除草常用于苜蓿杂草防治。通常情况下,除草剂以地毯式方式喷施,这种方式降低了除草剂的利用率。精准喷施除草剂,可以显著降低除草剂的投入和杂草管理成本。除草剂的精准喷施是 ...
【技术保护点】
【技术特征摘要】
1.基于CNN和GraphSAGE的苜蓿田杂草识别方法,其特征在于,包括:步骤1:输入杂草图像,使用CNN提取杂草图像特征;步骤2:基于杂草图像特征的欧氏距离构建杂草特征矩阵无向相似性图;步骤3:杂草特征矩阵无向相似性图输入图神经网络GraphSAGE进行杂草图像节点之间的传播,得到融合特征;步骤4:将融合特征输入分类器,基于特征相似性,从图中的邻居节点中得到未标记的杂草样本的标签信息,实现杂草和苜蓿分类。2.根据权利要求1所述的基于CNN和GraphSAGE的苜蓿田杂草识别方法,其特征在于,所述步骤1采用的CNN为微调后的ResNet
‑
101算法模型,微调方式为:去掉全连接层,只保留卷积池化部分以进行杂草图像特征提取。3.根据权利要求2所述的基于CNN和GraphSAGE的苜蓿田杂草识别方法,其特征在于,所述步骤1具体为:输入原始的杂草图像,图像经过卷积层的下采样计算、池化提取特征,将最后一层池化层得到的特征图转化为一维数组,作为杂草图像的特征信息。4.根据权利要求1所述的基于CNN和GraphSAGE的苜蓿田杂草识别方法,其特征在于,所述步骤2将每一个杂草样本都被看成是一个图节点,基于杂草图像特征的欧氏距离构建杂草特征矩阵无向相似性图G=(V,E,X);其中,V为图节点;E是边缘集,代表杂草样本节点之间的由欧氏距离得到的特征相似度;X是输入特征矩阵,即CNN提取到的杂草图...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。