杂草对农业生产的危害不言而喻,而除草成本又是农业生产实践中不可减少的部分。因此,为了有效避免环境污染、生产物资浪费、甚至威胁人类健康等情况的产生,如何快速精准地识别杂草种类,有计划地进行定点定量喷洒等问题亟待解决。针对这些问题,本文以人工神经网络中卷积神经网络算法为技术核心,将其应用到杂草识别研究中。本文设计的试验以北方旱地条件下的玉米间杂草为研究对象,主要采用深度学习中的卷积神经网络为核心算法,对常用的几种模型框架对比分析,调参优化并基于最优框架开发微信小程序。主要研究内容和创新点有:1.针对现有杂草研究种类不全、地方性不强、没有公开数据集等问题,本文以北方旱地条件下玉米田间杂草的多种种类为数据集,收集玉米、马齿苋、狗尾草、凹头苋、蓟、打碗花、牛筋草、稗、葎草、藜、龙葵等样本数量共计6678张,试验数据更具有特征性和独有性,弥补了这一领域数据的局限性。2.寻求能够快速识别杂草的模型。本文采用机器学习中的支持向量机方法,对杂草数据进行灰度共生矩阵和HOG特征提取。利用网格搜索方法寻找最优参数搭建模型,但最后训练准确率只有61%,达不到微信小程序开发的基本要求。究其原因在于面对大规模数据和多分类问题时SVM达不到要求。3.针对SVM的局限性,探究深度学习多模型比较寻求最优。在卷积神经网络中使用主流AlexNet、GoogLeNet、ResNet三种框架。经过试验这三种框架训练准确率都达到了85%以上,满足商业开发程序的基本要求。从试验结果中反映出深度学习在杂草识别问题上有着天生的优势,更能适应复杂条件下识别分类。4.针对各个模型的框架结构特点,探讨对模型深度的增加和卷积分解的影响。本文设置了两组试验,层数加深试验:ResNet18、ResNet50、ResNet101对比;卷积分解,小卷积核代替大卷积核试验:GoogLeNet、Inception Net-V3对比。从试验对比分析中发现,卷积分解对识别效果提升不明显,所以放弃了对卷积分解的深入探讨;残差网络因残差块的特殊结构,随深度的增加训练效果会更优,但是在试验中结果却大相径庭,为解决问题采用了随机颜色、对比度增强、亮度增强、颜色增强四种方法做数据增强,扩充样本数量至33390张。因原始数据样本的限制,ResNet101发生了过拟合现象,故降低网络层数。在准确率和训练成本中寻求均衡,试验中ResNet50最优达到了95.16%。针对超参数学习率和优化器设置多组对比,增加模型的实际检测效果和泛化性,最终我们试验得出使用倍数递减学习率和Adam优化器下效果最优,达到了99.7%。5.针对农业的实际应用和杂草药用资源浪费等问题,为了更加直观地展示本研究的结果。本文利用Guide设计了简单的软件界面;同时因考虑到实际操作的便携性,本文也开发了可以跨平台使用的微信小程序,实现两种不同端程序的应用。编写代码建立可视化界面,实现简单的指令,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,可以让农民清晰的了解,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,对农业生产实践有着举足轻重的作用。