典型文献
基于像素块和机器学习的播前棉田地表残膜覆盖率检测
文献摘要：
由于农用地膜的长期使用,棉田残留地膜造成了严重的耕地环境污染.为了快速准确地检测播前棉田地表残膜污染,该研究提出一种基于像素块和机器学习的播前棉田地表残膜覆盖率检测方法.将原始图像通过不同尺寸分割的方法得到像素块,提取像素块的一阶、二阶、三阶颜色矩和灰度共生矩阵(Gray-level Co-occurrence Matrix,GLCM)纹理特征,通过像素占比判别方法提取标签.采用随机森林(Random Forests,RF)、极端梯度提升(Xtreme Gradient Boosting,XGBoost)、支持向量机(Support Vector Machine,SVM)和人工神经网络(Artificial Neural Network,ANN)4种算法构建残膜识别模型,计算棉田地表的残膜覆盖率.结果表明,20×20像素块下采用人工神经网络算法,残膜覆盖率检测值与真实值的相对误差最小,为0.51％,检测时间最短,为0.29 s.相比于像素点,像素块识别方法减小了样本数量,增加了像素点之间的相互特征,可快速准确检测残膜覆盖率,对农田残膜污染监测具有一定借鉴意义.
文献关键词：
机器学习;污染;像素块;残膜;棉田;检测
中图分类号：
作者姓名：
翟志强;陈学庚
作者机构：
石河子大学机械电气工程学院,石河子 832003;农业农村部西北农业装备重点实验室,石河子 832003
文献出处：
引用格式：
[1]翟志强;陈学庚-.基于像素块和机器学习的播前棉田地表残膜覆盖率检测)[J].农业工程学报,2022(06):140-147
A类：
B类：
像素块,棉田,田地,覆盖率检测,农用地膜,快速准确,膜污染,原始图像,不同尺寸,颜色矩,灰度共生矩阵,Gray,level,Co,occurrence,Matrix,GLCM,纹理特征,判别方法,Random,Forests,RF,极端梯度提升,Xtreme,Gradient,Boosting,XGBoost,Support,Vector,Machine,人工神经网络,Artificial,Neural,Network,ANN,识别模型,神经网络算法,检测值,真实值,检测时间,时间最短,像素点,样本数量,农田残膜,污染监测
AB值：
0.389633
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
