20世纪末,随着人工智能技术的快速发展,农业机械智能化逐渐成为农业发展的主要研究方向。稻株定位是解决水稻机械智能除草和精准喷施的前提。通过稻株位置信息提取稻株行线,还能实现机械行进路径的动态规划,引导农业机械在田间自主行走,实现农业机械智能化作业。田间稻株定位通常会面临复杂光照背景、田间积水反光、稻株间互相遮挡和拍摄成像模糊等各种复杂因素的影响,这使得纯粹依赖手工设计特征的传统定位算法难以实现复杂因素下稻株的精准定位。深度卷积神经网络(Deep Convolutional Neural Networks,DCNNs)是受启发于人脑视觉处理机制的新型神经网络,具有自主学习特征表达的能力,可以避免囿于固定规则的手工设计特征带来的局限性,其局部连接和权值共享的网络结构对图像的平移、倾斜、旋转和尺度变换具有高度不变性,十分适合复杂因素下的稻株定位。本文将应用深度卷积神经网络对稻株定位算法的精度和实时性进行研究,主要研究内容和贡献如下:(1)构建稻株数据库。一个标注完整的数据库是定位算法研究的基础。针对当前国内外均无公开发布的稻株数据库带来的定位算法验证和比较研究的困扰,本文构建了一个样本多样性丰富、初具规模且标注完整的稻株数据库。该数据库是在模拟机械除草真实环境下完成图像采集,即将照相机安装在水田间行走机械上,设定固定拍摄时间间隔自动拍摄俯视图像样本。数据库样本涵盖田间稻株定位面临的复杂光照、积水反光、成像模糊等所有复杂因素干扰下的样本。另外,在春夏两个季节,对处于不同生长期的稻株进行了拍摄。为了模拟除草机械上拍摄装置因不稳固导致的样本拍摄角度变化,有意识地调整拍摄角度进行多方位采集,大大增加了样本的多样性。最终,总共清洗并标记了8381个样本,该数据库的整理和标记对农业智能机械领域中的稻株定位算法研究具有十分重要的价值。(2)研究基于区域分类的稻株定位算法,解决稻株定位精度问题。田间稻株由于生长状态不同造成稻株尺寸不一,在不同拍摄角度下还会存在互相遮挡,导致基于区域分类的定位算法对尺寸较小的目标定位精准度不高。本文提出多尺度区域提取稻株定位算法,利用多尺度锚框聚类算法提取符合稻株大小分布的候选区域,避免小目标漏检,在Faster R-CNN稻株定位算法基础上进一步提高了稻株定位精度。实验结果表明,在稻株数据库上定位精度由85.47%提升到92.38%,验证了本文方法的有效性。(3)研究基于回归的one-stage稻株定位算法,解决稻株定位实时性问题。农业机械田间作业需要考虑工作效率,所以无论是机械除草还是自动导航对田间稻株定位算法都存在实时性需求,提升定位速度就显得十分重要。本文提出基于SSD稻株定位算法,通过一个网络直接回归稻株位置和类别信息,避免区域提取和分类两个阶段训练相结合所带来的时间开销,大大提升了稻株的定位速度。实验结果表明,在稻株数据库中,84.10%定位精度下速度为46帧每秒,已达到机械除草投入农业生产的实时性需求。