农田杂草是影响农作物生长的主要因素之一,农田杂草检测与分布密度制图对于实现农田杂草的精准防治有着十分重要的意义。为实现农田大面积喷药向精准喷药的转变,需要快速高效地检测农田中杂草的分布位置、种类和密度情况。无人机的高机动性和灵活性结合深度学习算法成为农田杂草分布密度检测的一种新兴手段。本文基于大疆无人机平台和Android移动设备设计开发了一套面向农田杂草识别与分布密度制图系统。该系统基于深度学习模型实现农田杂草种类识别,并通过图像坐标系与世界坐标系的转换确定杂草的空间位置,最后通过Android移动设备对无人机飞行控制、无人机飞行信息显示、图像数据显示和生成杂草分布密度图等方法进行集成测试。论文的主要研究工作和成果如下:(1)基于优化YOLOv3-Tiny杂草目标检测算法研究。通过对比Faster R-CNN、YOLO、SSD等目标检测算法对杂草目标检测的优缺点,以YOLOv3-Tiny为基础网络,使用残差连接的方式用残差块代替YOLOv3-Tiny的主干网络。训练禾本科和阔叶类两类杂草得到杂草目标检测模型,选择m AP最高的模型以F-Measure为评价标准,评价其准确率、召回率、IOU等,选择最优模型。最终模型的m AP为0.83,IOU为0.751。(2)杂草空间位置定位与杂草分布密度制图方法研究。通过调用FFmpeg和Media Codec在Android移动设备中对无人机图像数据进行解码,获得解码后的图像利用内嵌到Android设备的Darknt深度学习框架对图像进行杂草检测,得到杂草的种类、数量和位置。此时杂草的位置为像素坐标位置。再使用像素坐标系与世界坐标系的转换方法、WGS-84坐标系与GCJ-02坐标系的转换方法,先转换无人机在WGS-84坐标系下的位置到GCJ-02坐标系下,再转化杂草的像素坐标到世界坐标系下。最后根据检测的杂草位置、种类和数量生成杂草分布密度图。(3)无人机杂草识别定位系统的集成与测试。本研究以大疆无人机和Android移动设备作为硬件开发平台,基于高德提供的电子地图和大疆提供的MOBILE SDK软件开发支持包,在Android Studio集成杂草目标检测算法、杂草空间位置定位算法、杂草分布密度图生成方法、无人机飞行控制方法和Darknet深度学习框架的移植。最后对无人机杂草识别定位系统进行全面的测试和实验。测试包括系统的兼容性、稳定性、无人机飞行控制功能、无人机图像传输功能、杂草目标检测功能和软件运行性能等。结果表明,无人机杂草识别定位系统满足设计要求。在无人机飞行时,实时检测速度为1FPS。生成的不同大小栅格的杂草分布密度图的准确度分别为75.8%、78.6%、82.4%。