深度学习模型在大棚种植甜椒中的杂草识别与管理

农业中的人工智能6（2022）47深卷积神经网络模型用于大棚种植甜椒的杂草A. Subeesh，S.Bhole，K.Singh，N.S.Chandel，Y.A.Rajwade，K.V.R.Rao，S.P.库马尔，D.JatICAR-中央农业工程研究所，印度中央邦博帕尔a r t i c l e i nf o文章历史记录：2021年10月30日收到2022年1月18日收到修订版，2022年在线预订2022年2月10日保留字：甜椒计算机视觉卷积神经网络深度学习杂草识别a b s t r a c t传统的杂草管理方法效率低下，不适合与智能农业机械集成杂草的自动识别和分类在杂草管理中起着至关重要的作用，有助于提高作物产量。智能化、智能化的点喷系统的有效性依赖于基于计算机视觉的自动除草检测器的准确性。在本研究中，基于深度学习的技术（Alexnet，GoogLeNet，InceptionV3，Xception）的可行性进行了评估，从青椒田的RGB图像中识别杂草。模型使用不同的epoch值（10，20，30），批量大小（16，32）进行训练，并调整超参数以获得最佳性能。所选模型的总体准确度从94.5%到97.7%不等。在这些模型中，InceptionV3在30个epoch和16个批次大小下表现出优异的性能，准确率为97.7%，精确率为98.5%，召回率为97.8%对于该Inception3模型，获得的1型误差为1.4%，II型误差为0.9%。深度学习模型的有效性为将其与基于图像的除草剂施用器集成以实现精确的杂草管理提供了一条清晰的版权所有© 2022作者。出版社：Elsevier B.V.我代表科爱通信公司，公司这是一篇基于CC BY-NC-ND许可证的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。1. 介绍甜椒（Capsicum annum L.） 由于其商业价值和药用用途，是世界各地栽培的重要作物（De，2003; Gonzalez-Diaz等人， 2009年）。甜椒也被称为 印度贡献了世界甜椒产量的四分之一，平均年产量为0.9MT，面积为88.5万公顷（Kumar等人， 2016年）。与任何其他作物一样，甜椒受到负面影响产量的生物和非生物因素的影响，杂草是主要的生物因素（Chandel et al.，2021年b）。 作为与杂草的弱竞争者，在移栽后立即，对作物的灌溉供应可能刺激杂草生长，导致高达97%的产量损失（Amador-Ramírez，2002; Campiglia等人， 2012年）。在开放的田地中，辣椒的生产力随着时间的推移而降低，与在有限的时间内减少产量和产量相比（Jatetal.， 2 0 2 0）。印度的大棚种植需要在技术干预和降低运营成本方面得到加强（Singh等人，2019年）。杂草不仅导致产量降低，而且降低作物质量，作为害虫和疾病的储存库，并降低人类效率。这个问题需要利用杂草检测*通讯作者。电子邮件地址：subeesh18@gmail.com（A. Subeesh）。框架（Hasan等人，2021年）。杂草是大棚中持续存在的问题，并降低了种植作物的感知质量。除草剂是控制杂草生长的一种手段，但它们对环境和人类健康具有若干负面后果（Bah等人， 2018年）。如果不加以适当控制，采用化学和文化控制措施可能会产生负面的环境后果由于大多数国家面临劳动力短缺和劳动力成本增加，杂草控制系统的自动化是当务之急（Liu和Bruch，2020年; Subeesh和Mehta，2021年）。在像大棚这样的有盖结构中进行杂草管理需要非常精确，因为化学品的蒸汽可能被困在封闭的结构中，从而对工人和作物造成损害杂草识别是需要数字化和自动化的关键之一因此，需要开发使用物联网的数据驱动和基于图像处理的技术以及用于系统的实时自动化的输入的可变速率应用（Mehta等人， 2021年）。作物中的杂草检测是使用数字技术解决的固有难题，特别是使用传统的图像处理技术（Wang等人， 2019年）。这是由于杂草和作物的形状和质地当传统的图像处理技术被用来解决这个问题时，变化的照明条件是另一个主要的挑战如果杂草在早期被识别，则其导致除草剂成本降低（Espejo-Garcia等人，2020年）。典型的杂草识别系统如下https://doi.org/10.1016/j.aiia.2022.01.0022589-7217/© 2022作者。出版社：Elsevier B.V.我代表科爱通信公司，公司这是一篇CC BY-NC-ND许可证下的开放获取文章（http：creativecommons.org/licenses/by-nc-nd/4.0/）。可在ScienceDirect上获得目录列表农业中的人工智能杂志主页：http://www.keaipublishing.com/en/journals/农业人工智能/A. Subeesh，S.Bhole，K.Singh等人农业人工48四 个关 键 步 骤 ： 图 像 数 据 收 集 、 图像预 处 理 、 特 征 提 取 和 分 类（Shanmugam等人， 2020年）。不同的先进技术正在流行执行这些步骤。这些步骤中最重要的部分是杂草识别和分类。 在过去的几年里，人工智能（AI）和深度学习策略已被用于杂草管理，创新的进展取代了传统的方法（夏普等人，2019，2020; Su，2020）。近年来，人们对杂草的自动识别和分类进行了大量的研究基于深度学习的莴苣作物图像处理，Osorio等人提出了三种杂草估计方法。（2020 ） ， 其 中 包 括 机 器 学 习 和 深 度 学 习 模 型 ，如 支 持 向 量 机（SVM）、YOLO和Mask R-CNN。这些模型在作物检测方面的F1得分分别为88%、94%和94%本研究中的SVM使用方向梯度直方图（HOG）作为特征描述符，使用YOLOV 3进行对象检测，使用Mask R-CNN进行分割。还发现SVM在鉴定水生杂草中是成功的（Pereira等人，2012）和从单个植物拍摄的图像中的辣椒和杂草的分类（Ahmed等人， 2012年）。 Yu等人（2019）报道了几种深度卷积神经网络（DCNN）模型的效率，如VGGNet，GoogLeNet和DetectNet用于检测狗牙根中的杂草。主要发现是，DetectNet在休眠的狗牙根中生长时具有检测杂草的高性能，F1得分为0.99。研究人员在鉴定水稻中的杂草方面进行了许多尝试（Ashraf和Khan，2020; Barrero等人，2016; Cheng和Matson，2015 ） 、 小 麦 （ Golzarian 和 Frick ， 2011; Hameed 和 Amin ，2018）、洋葱（Kim等人， 2018; Parico和Ahamed，2020; Sanchez等人， 2021）等。 Hu等人（2020）提出了一种新颖的基于图的“GraphWeedsNet”架构，用于从复杂牧场采集的RGB图像中识别各种类型的杂草，该模型取得了良好的性能，准确率为98.1%。 在本研究中，我们研究了使用DCNN模型，如Alexnet，GoogLeNet，InceptionV3和Xception在甜椒种植中检测杂草的可行性。2. 材料和方法2.1. 图像采集这些图像是在中央邦博帕尔的ICAR 中央农业工程研究所（经度-77°24′11.28″E，纬度-23°18′35.67“N）收集的。根据标准实践包，在凸起的床上栽培被称为“Indra”的甜椒的杂交品种（Jat等人， 2020年）。这些图像是在上午9点到下午5点之间在不同的照明条件下用数字相机（小米11 ×移动终端的后置摄像头，三摄像头设置，48 MP，f/1.8，26 mm（宽），1/21.12 μm），比例为4：3，分辨率为4000 × 3000像素。从polyhouse中总共收集了1106张个人图像，其中685张是甜椒图像，421张是各种杂草图像。收集到的图像分为杂草和作物类别。在对图像进行预处理时，噪声和光照变化已经被去除此外，数据增强已应用于数据集，以提高训练数据集的大小和质量，并防止过度拟合（Shorten和Khoshgoftaar，2019）。在大棚中种植的甜椒中杂草的存在如图所示。1.一、将数据集的图像进一步分为训练、测试和验证。从总捕获的图像中，使用80%的图像进行建模用于训练，10%用于测试，10%用于验证2.2. 深度学习和CNN模型在最初的几年里，人工智能在很大程度上依赖于基于规则的引擎，这些引擎可以根据人类专家生成的固定和预定义然而，随着数据变得庞大，需要更多的数据驱动方法，并且机器学习正在进行中。机器学习是一系列算法和工具，机器可以通过这些算法和工具理解数据中的模式，并对特定任务进行推理机器学习能够使用各种算法从数据中提取有意义的信息。深度学习（DL）可以被认为是机器学习的下一个前沿;它是广泛使用神经网络的机器学习的子集深度学习的出现带来了图像分析和计算机视觉领域的革命（Chandel et al.，2021 a; Hemanth和Estrela，2017）。应用于数字照片的深度学习技术可以帮助区分作物和杂草，超越传统图像处理的限制深度卷积神经网络（DCNN）是近年来广泛使用的一种人工智能在最初的日子里，CNN所能做的最多是识别手写数字。目前，DCNN模型是计算机视觉中能够分析庞大复杂数据集的最古怪的方法，具有很高的计算限制。存在许多用于图像分类的DL架构，如AlexNet（Krizhevsky等人， 2012）、DenseNet（Huang等人，2017），Effi cientNet （ Tan 和 Le ， 2020 ） ， GoogLeNet （ Szegedy 等 人 ，2015 ） 、 InceptionNet （ Szegedy 等 人 ， 2016 ） ， NASNet/PNASNet/ENASNet（Adam和Lorraine，2019），ResNeXt（Xie等人 ，2017 ） 、 ResNet50 （ He 等 人 ， 2016 ） 、 XceptionNet（ Chollet ， 2017 ） 、 SENet （ Hu 等 人 ， 2018 ） 、 VGGNet（Simonyan和Zisserman，2015）和ZFNet（Howard等人， 2017年）。在这项识别杂草的研究中，四种不同的CNN架构AlexNet，GoogleNet，Fig. 1. 大棚种植的甜椒中存在杂草。A. Subeesh，S.Bhole，K.Singh等人农业人工49表1所选卷积神经网络（CNN）模型的架构特征。模型参数（百万）深度图像输入尺寸模型特征AlexNet61.08227 × 227简单架构，5个卷积层和3个全连接层GoogLeNet7.022224 × 224使用辅助分类器，通过卷积InceptionV323.948299 × 299GoogLeNet的扩展网络，降低计算复杂度Xception22.971299 × 299线性可分离卷积和剩余连接的线性堆栈，模块化架构研究了InceptionV3和Xception模型的选择基于复杂性和计算成本。AlexNet是相对最简单的模型，InceptionV3（48层）和GoogleNet具有中等复杂性，Xception具有高复杂性和深度。表1显示了这些模型的体系结构特征AlexNet是一个8层的CNN，在很大程度上优于所有其他模型，并赢得了2012年举行的ImageNet大规模视觉识别挑战赛（Krizhevsky等人， 2012年）。 虽然LeNet（LeCun等人， 1995）在早期较小的数据集上取得了不错的结果，但在较大的数据集上训练CNN的性能并不令人印象深刻。AlexNet在LeNet上取得了巨大的进步，它是第一个采用连续卷积的架构。核大小为（11 × 11）、（5 × 5）和（3 × 3）的层。VGG16模型（Simonyan和Zisserman，2015年），在ImageNet大规模视觉识别挑战赛中获得了92.7%的前5名测试准确率。 它于2014年提交给ILSVRC，并成为流行模型之一。VGG16通过将大型内核大小的过滤器（AlexNet中存在的11和15大小）替换为许多3 × 3大小的内核，表现出比AlexNet更好的性能初始网络的引入对神经网络领域产生了重大影响Inception模型的第一个版本，即InceptionV1，被称为GoogLeNet。这为分类和目标检测问题开创了一个新的领域GoogLeNet架构有22层深度，共有27个池化层和9个初始模块图二、基于深度学习的图像分类管道用于杂草识别。图3. 使用DCNN的图像分类组件。A. Subeesh，S.Bhole，K.Singh等人农业人工50F IG。 四、 A cur acyandlo s fu nc ti onplot s（tr ai nedwithitheo ch=30，batchs ize= 16）a）A le x N et，b）Go ogLeNet，c）I ncpti o n V3，d）X cption.（Szegedy等人，2015年）的报告。GoogLeNet在ILSVRC中的前5名错误率为6.67%，非常接近人类水平。与AlexNet和GoogLeNet相比，InceptionV3模型专注于消耗更少的计算能力。InceptionV3模型在因子化卷积、维数降低、正则化和并行计算的帮助下优化网络（Szegedy等人， 2016年）。Xception是inception的一个极端版本深度可分离卷积层使Xception与众不同它遵循模块化架构（Chollet，2017）。2.3. 基于深度学习的杂草识别图像分类框架用于杂草检测的图像分类从图像数据收集开始这些数据是从精准农业中收集的A. Subeesh，S.Bhole，K.Singh等人农业人工51图五、混淆矩阵指示所选模型的性能（在epoch = 30上训练，批量= 16）a）AlexNet，b）GoogLeNet，c）InceptionNet，d）Xception。位于印度博帕尔的ICAR-中央农业工程研究所的开发中心在移交给分类任务之前，收集的图像已经过预处理（图1）。2）。在实验中，对每幅图像定义了标签，并进行了二值分类AlexNet、GoogLeNet、InceptionV3和Xception模型分别是表2inceptionV3模型的性能Epoch批量精度（%）召回率（%）F1评分（%）准确率（%）101692.099.295.594.63293.499.296.295.5201694.999.297.096.43297.897.897.897.3301698.597.898.197.73296.499.297.897.3用来鉴别甜椒和大麻这里指定用于图像分类的预训练模型通常由两个组件组成：卷积基和分类器（图1）。 3）。卷积基负责特征提取，并且分类器基于由卷积基提取的特征对输入图像进行分类 在classi fier部分，标准方法是使用全连接层，然后是激活层，这通常是softmax激活。softmax层生成指示每个类的概率的输出。选择最可能的类作为预测类。该模型是在训练数据的帮助下训练的，在训练开始之前，模型参数，如epoch数，批量大小，学习率等。已经定好了验证集用于模型的无偏评价这有助于优化模型的超参数。在确定正确的参数后，通过设置这些参数再次一旦模型被A. Subeesh，S.Bhole，K.Singh等人农业人工52¼ ð Þ¼¼图第六章 深度学习模型相对于参数epoch和batch size的性能。使用完全训练的测试集来提供对看不见的数据点的最终真实世界检查，以确认模型的适当功能。准确度TP/TN1TPTN FP FN2.4. 培训、验证和测试精密TP公司简介灵敏度TPð2Þ这些图像是使用AlexNet进行预处理和训练的=调用¼TP和FN300GoogLeNet、Xception和Inception V3。在训练阶段，该模型自动提取相关特征的此过程可以直接应用于F1得分2-精确度-回忆精确度和召回率ð4Þ从现场捕获的图像，这是看不见的模型，模型可以产生一个准确的分类。在训练过程中，损失函数被设置为随机梯度下降算法，批次大小被设置为16和32。初始学习率设置为0.001，动量设置为0.9000。对于所有这些模型，时期和批量大小是不同的，并比较了模型之间的性能用于验证模型的验证数据有助于调整和调优超参数。使用验证数据的主要原因是防止模型过度拟合。混淆矩阵是评价机器学习分类模型性能的有效方法。 在这项研究中，我们有一个二元分类问题，每个输入样本被分配到类“杂草”或“灯笼椒”之一。混淆矩阵的行表示预测类，列表示实例的实际类表3模 型 AlexNet 、 GoogLeNet 、 InceptionV3 和 Xception 的 性 能 （ Epoch= 30 ， 批 量=16）。模型精度（%）召回率（%）F1评分（%）准确率（%）AlexNet95.698.597.096.4GoogLeNet94.998.596.795.9InceptionV398.597.898.197.7Xception95.699.297.496.8准确度、精确度、召回率和F1得分矩阵用于评估模型性能（等式2）。（1）这里，TP表示真阳性，表示由模型准确预测的甜椒实例的数量/百分比，FP表示秋季阳性/I型误差，其显示被误分类为杂草的甜椒的百分比FN或假阴性表示显示分类为甜椒的杂草图像的数量/百分比的II类错误TN或True Negative表示模型准确预测的杂草图像的数量百分比。3. 结果和讨论在这项研究中，评估了各种深度学习模型的性能，以识别甜椒中的杂草结果表明，所有的模型都表现令人满意的整体精度在94.5%和97.7%之间变化该实验重复了10、20、30个时期，观察到精度有显著提高。批量 大 小 的 数 量 应 该 是 2 的 幂 ， 以 充 分 利 用 GPU 处 理 （ Kandel 和Castelli，2020）。选择两个不同图4显示了当模型使用30个epochs和16个batch size进行训练时的准确度和损失函数变化。这些图表明，所有模型的损失函数从早期开始收敛而没有大的波动。 没有过度拟合或A. Subeesh，S.Bhole，K.Singh等人农业人工53图第七章InceptionV3模型（在epoch = 30，batch size =16上训练）对测试图像的预测和准确性（图中的百分比表示模型在预测特定类别时的置信度）。在AlexNet、GoogLeNet、InceptionV3和Xception模型中观察到的拟合不足在AlexNet中，对于16个小批量，10、20和30个epoch的准确率分别为96.8%、95.6%和96.4%在最小批量为32时，模型的预测精度分别为95.9%、96.8%、95.4%。因此，在增加时期数量以及Alexnet的批量大小的同时，没有观察到稳定的改善alexnet的总体准确率在95.4%和96.8%之间变化对于GoogLeNet，在20个epoch和批量大小16时获得了97.2%的最高准确率在Xception模型中，在将epoch的数量从10增加到30之后，观察到精度略有Xception的准确性在95.9%和96.9%之间变化。使用选定的深度学习模型识别杂草和甜椒的混淆矩阵如图所示。五、对角线值表示真实的估计值。当InceptionV3训练30个epoch，批量大小为16时，观察到的最高准确率为97.7%。对于批量大小为16、时期为30的这些超参数值，inceptionV3模型能够成功地对138个甜椒图像中的135个甜椒图像进行分类，并且仅3个甜椒图像被误分类。此外，该模型成功地识别了83个杂草图像中的81个杂草图像，只有2个杂草图像被误分类。InceptionV3模型显示出随着时代数量的增加，准确性稳步上升InceptionV3在小批量16和epoch 10、20、30下观察到的准确度为94.6，96.4和97.7%（表2）。 InceptionV3相对于其他模型的这种改进的性能是由于分解成更小的卷积和使用辅助分类器作为正则化器。 InceptionV3架构在不影响性能的情况下对GoogLeNet架构进行了重大改进。尽管有所增加，但在2008年没有观察到同样的稳步增加趋势。批量大小为32，准确度分别为95.5、97.2和97.3在将epoch从20增加到30之后，准确性没有进一步提高（图11）。（六）。表3比较了所有模型的精确度，召回率，F1分数，其中最好的模型是用30个epoch和16个批量训练的Xception的召回率非常高，这表明该模型非常有能力做出正确的积极预测。InceptionV3的精密度、准确度和F1评分，30个时期和16个批量的模型比其他模型高，被认为是杂草和作物识别的最有效的模型。在这些参数设置下，inceptionV3的I型误差为1.4%，观察到的II型误差为0.9%。用随机测试图像测试相同的inceptionV3模型，结果如图7所示。结果表明，该模型能够成功地识别出甜椒中的杂草，具有很高的置信度。4. 结论基于深度卷积神经网络的杂草检测正在推广，并支持农业操作的自动化。这项工作证明了使用DCNN模型识别甜椒田杂草的能力在这项研究中，四个深度学习模型（Alexnet，GoogLeNet，InceptionV3，Xception）已被应用于识别甜椒田中存在的杂草。InceptionV3在精确度、准确度和召回率方面优于其他算法未来潜在的工作包括实时检测作物和杂草，以及基于DCNN模型做出的决策由智能除草器和/或特定于地点的除草剂施用器执行除草动作A. Subeesh，S.Bhole，K.Singh等人农业人工54信用作者声明A. Subeesh：概念化，数据管理，方法论，形式分析，写作-原始草稿。 Sameer Bhole：调查，数据管理，验证，验证-原始草案。KaranSingh：软件，Su- pervision，写作-评论编辑. NS Chandel：数据管理，方法学，验证，写作-原始草案，写作-审查&编辑。数据管理，方法论，写作-原始草稿，写作-审查编辑.K. V. R饶-&调查，资源，监督，验证，写作-审查编辑。SP Kumar-验证、编写-审核编辑。Dilip Jat：数据管理，写作-评论编辑。竞争利益声明作者声明，他们没有已知的竞争性经济利益或个人关系，可能会出现在这篇论文中报告的工作引用亚当，G.，Lorraine，J.，2019. 理解神经结构搜索技术ArXiv190400438 Cs Stat.Ahmed，F.，Al-Mamun，H.A.，巴里，A.S.M.H.，Hossain，E.，Kwan，P.，2012.数字图像 中 作 物 和 杂 草 的 分 类 ： 支 持 向 量 机 方 法 。作 物 保 护 40 ， 98-104.https://doi.org/10.1016/j.cropro.2012.04.024网站。Amador-Ramírez，医学博士，2002年。移栽辣椒田杂草防除关键期研究Weed Res. 42，203-209. https://doi.org/10.1046/j.1365-3180.2002.00278.x。Ashraf，T.，Khan，Y.N.，2020年。利用计算机视觉进行水稻田杂草密度分类Comput.电子农业175，105590。 https://doi.org/10.1016/j.compag.2020。105590。呸医学博士哈菲安，A.，卡纳尔斯河2018年 使用无监督数据标记的深度学习，用于无人机图像中线状作物的杂草检测。远程传感器10，1690。https://doi.org/10.3390/rs10111690。巴雷罗岛，Rojas，D.，冈萨雷斯角，Perdomo，S.，2016年。利用航空影像与类神经网路侦测稻田杂草 2016 XXI Symposium on Signal Processing，Images and Arti-ficialVision（STSIVA），pp. 1 https://doi.org/10.1109/STSIVA.2016。 7743317Campiglia，E.，Radicetti，E.，曼奇内利河，2012年。辣椒田杂草防除策略及产量效应覆盖毛野豌豆（Vicia villosa Roth.）和燕麦（Avena sativa L.）残基作物保护33，65-73. 网址：//doi. org/10.1016/j.cropro.2011.09.016。Chandel，N.，Chakraborty，S.，Rajwade，Y.，Dubey，K.，Tiwari，M.K.，Jat，D.，2021年a. 使 用深 度学 习模 型识 别作 物水 分胁 迫。 神经 元 计算 应用 33. 网 址：//doi.org/10.1007/s00521-020-05325-4。Chandel，N.S.，Chandel，A.K.，Roul，A.K.，Solanke，K.R.，Mehta，C.R.，2021b的最后 一 页 。 中 耕 作 物 行 间 和 行 内 综 合 除 草 系 统 。 作 物 保 护 145 ， 105642 。https://doi.org/10.1016/j.cropro.2021.105642网站。Cheng，B.，麦特森外星人2015.一个基于特征的机器学习智能体，用于水稻和杂草的自动识别。在：Rutkowski，L.，Korytkowski，M.，Scherer，R.，塔德谢维奇河，洛杉矶扎德J. M. （ 编 ） ， 人 工 智 能 与 软 计 算 。 计 算 机 科 学 讲 义 。 Springer InternationalPublishing，Cham，pp. 517https://doi.org/10.1007/978-3-319-19324-3_46。Chollet，F.，2017年。Xception：深度学习与深度可分离卷积。2017年IEEE计算机视觉会议和图案识别（CVPR），pp.www.example.comhttps://doi.org/10.1109/CVPR.2017.195。De，A.K.，2003年。 辣椒属（Capsicum）。 Press.Espejo-Garcia，B.，Mylonas，N.，阿萨纳萨科斯湖Fountas，S.，2020年。使用农业预训练的 深 度 神 经 网 络 库 改 进 杂 草 识 别 Comput. 电 子 农 业 175 ， 105593 。https://doi.org/10.1016/j.compag.2020.105593网站。Golzarian，M.R.，弗里克，R.A.，2011年。利用主成分分析法对小麦、黑麦草和雀麦品种生长早期图像进行分类植物方法7，28。https://doi.org/10.1186/1746-4811-7-28网站。Gonzalez-Diaz，L.Martinez Jimenez，M.P.，Bastida，F.，Gonzalez-Andujar，J.，2009年 辣 椒 综 合 植 保 决 策 支 持 系 统 。 专 家 系 统 应 用 36 ， 8975-8979 。https://doi.org/10.1016/j.eswa.2008.11.038网站。Hameed，S.，阿明岛2018年利用图像处理技术检测杂草和小麦 2018年IEEE第五届工程技术与应用科学国际会议（ICETAS），pp。1https://doi.org/10.1109/ICETAS.2018.8629137。哈桑，A.S.M.M.，Sohel，F.，Diepeveen，D.，Laga，H.，Jones，M.G.K.，2021年从图 像 中 检 测 杂 草 的 深 度 学 习 技 术 综 述 Comput. 电 子 农 业 184 ， 106067 。https://doi.org/10.1016/j.compag.2021.106067网站。他，K.，张，X.，Ren，S.，孙，J.，2016年。深度残差学习用于图像识别。 2016年IEEE计算机视觉和模式识别会议（CVPR），pp。www.example.comhttps://doi.org/10.1109/CVPR.2016.90。Hemanth，D.J.，Estrela，V.V.，2017. 深度学习在图像处理中的应用IOSPres s.霍华德，A.G.，Zhu，M.，陈伯，Kalenichenko，D.，王伟，Weyand，T.，Andreetto，M. ， 亚 当 ， H. ， 2017. MobileNets ： 用 于 移 动 视 觉 应 用 的 高 效 卷 积 神 经 网 络ArXiv170404861 Cs。胡，J，沈，L.，孙，G.，2018.挤压-激发网络。2018 IEEE/CVF Conference on ComputerVision and Pattern Recognition ， pp. 7132 https://doi.org/-7141 www.example.com10.1109/CVPR.2018.00745。Hu，K.，科尔曼，G.，Zeng，S.，王志，Walsh，M.，2020. Graph Weeds Net：一种用于杂草 识 别 的 基 于 图 的 深 度 学 习 方 法 。 Comput. 电 子 农 业 174 ， 105520 。https://doi.org/10.1016/j.compag.2020.105520网站。Huang，G.，刘志，范德马滕湖，Weinberger，K.Q.，2017.密集连接的卷积网络。2017年IEEE计算机视觉和模式识别会议（CVPR），pp。www.example.comhttps://doi.org/10.1109/CVPR.2017.243。Jat，D.，Rajwade，Y.A.，Chandel，N.S.，Dubey，K.，拉奥KVR2020年。与露地栽培相比，大棚辣椒栽培非生物参数调控的嵌入式系统。Int. J. Veg. Sci. 26，487-49 7.坎德尔岛，Castelli，M.，2020.批量大小对卷积神经网络在组织病理学数据集上的泛化能力的影响。ICT Express 6，312-315. https://doi.org/10.1016/j.icte.2020.04.010。Kim，S.，李，J.S.，Kim，H.S.，（美国）2018年基于深度学习的洋葱杂草自动检测我的天啊。S m artMediaJ. 7，16- 21。 h ttps：//d oi. 或g/10。3 0 6 9 3/SMJ. 2018. 第七章3. 十六岁克里热夫斯基，A.，萨茨克弗岛，巴西-地辛顿，通用电气，2012. ImageNet分类与深度卷积神经网络神经信息处理系统进展Curran Associates，Inc.库马尔，P.，Chauhan，R.S.，格罗弗，R.K.，2016. 哈里亚纳邦大棚和露地辣椒栽培的经济分析。Int. J. 农场科学6，96-100。Y.莱昆，Jackel，L.D.，博图湖，加-地Brunot，A.，科尔特斯角，Denker，J.，Drucker，H.，居永岛美国穆勒Sackinger，E.，1995. 手写体数字识别的学习算法比较。人工神经网络国际会议。Perth，Australia. 53比60刘，B.，布鲁赫河，2020.选择性喷洒的杂草检测：综述。Curr.机器人众议员1，19-26。 https://doi.org/10.1007/s43154-020-00001-w。Mehta，C.R.，Chandel，N.S.，Rajwade，Y.，2021. 智能农业机械化促进印度农业可持续发展。Ama Agric. Mech. Asia Afr. Lat. Am. 50，99-10 5。Osorio，K.，Puerto，A.，佩德拉扎角，牙买加，D.罗德里格斯湖2020.使用多光谱图像进行莴苣 作 物 杂 草 检 测 的 深 度 学 习 方 法 。 农 业 工 程 2 ， 471-488 。https://doi.org/10.3390/agriengineering2030032。帕里科，美国国际情报局，Ahamed，T.，2020年。一个用于大葱作物的空中杂草检测系统 ， 使 用 了 YOLOv3 深 度 学 习 算 法 。 Eng. 农 业 Environ. 食 物 13 ， 42-48 。https://doi.org/10.37221/eaef.13.2_42网站。佩雷拉，洛杉矶，Nakamura，R.Y.M.，de Souza，G.F.S.，Martins，D.，爸爸J.P.2012年。基于机器学习技术的水生杂草自动分类。桑切斯，公共关系，张洪，霍，S-美国，De Padua，E.，2021年一阶段目标检测模型在地膜洋葱杂草检测中的比较 2021 IEEE International Conference on Imaging Systemsand Techniques（IST），pp. 1 https://doi.org/10.1109/-6 www.example.com IST50367.2021.9651352。Shanmugam，S.，Assunção，E.，梅斯基塔河Veiros，A.，加斯帕警局2020年。 自动杂草检测系统：综述。KnE工程师 271-28 4.Sharpe，S.M.，舒曼，A.W.，博伊德，北卡罗来纳州，2019年。利用卷积神经网络检测与草莓竞争生长的卡罗莱纳Geralina（Gera-Carolinianum）。杂草科学。67，239-245.https://doi.org/10.1017/wsc.2018.66网站。Sharpe，S.M.，舒曼，A.W.，博伊德，北卡罗来纳州，2020年。使用卷积神经网络检测草莓和番茄中的牛筋草Sci. 众议员10，9548。 https://doi.org/10。1038/s41598-020-66505-9。肖特，C.，Khoshgoftaar，T.M.，2019.用于深度学习的图像数据增强综述。J. Big Data 6，60. https://doi.org/10.1186/s40537-019-0197-0网站。Simonyan ， K. ， Zisserman ， A. ， 2015. 用 于 大 规 模 图 像 识 别 的 非 常 深 的 卷 积 网 络ArXiv14091556 Cs。Singh，M.C.，Singh，G.K.，Singh，J.P.，2019年。自然通风温室无土栽培黄瓜的养分和水分利用效率。J. 农业Sci. Technol. 21，193-207。苏，W.- H、2020.点光谱、RGB和高光谱成像中的先进机器学习用于作物和杂草的自动识别：综述。智慧城市3，767-792。https://doi.org/10.3390/smartcities3030039网站。Subeesh，A.，Mehta，C.R.，2021年利用人工智能和物联网实现农业自动化和数字化第内特尔农业5，278-291. https://doi.org/10。1016/j.aiia.2021.11.004。塞格迪角，刘伟，Jia，Y.，Sermanet，P.，Reed，S.，Anguelov，D.，Erhan，D.，Vanhoucke，V.，Rabinovich，A.，2015.更深入地进行卷积。2015年IEEE计算机视觉和模式识别会议（CVPR），pp。1 https://doi.org/10.1109/CVPR。