基于无人机图像的多尺度感知麦穗计数方法

摘要：

小麦是世界上重要的粮食作物,其产量的及时、准确预估对世界粮食安全至关重要,小麦穗数是估产的重要数据,因此该研究通过构建普适麦穗计数网络(Wheat Ear Counting Network,WECnet)对灌浆期小麦进行精准的计数与密度预估.选用多个国家不同品种的麦穗图像进行训练,并且对数据集进行增强,以保证麦穗多样性.在原始人群计数网络CSRnet基础上,针对小麦图像特点构建WECnet网络.在网络前端,通过使用VGG19的前12层进行特征提取,同时与上下文语义特征进行融合,充分提取麦穗的特征信息.后端网络使用不同空洞率的卷积加大感受野,输出高质量的密度图.为了验证模型的可迁移性与普适性,该研究通过基于全球小麦数据集训练好的模型对无人机实拍的麦田图像进行计数.试验结果表明:在全球小麦数据集上,WECnet训练模型的决定系数、均方根误差(Root Mean Square Error,RMSE)与平均绝对误差(Mean Absolute Error,MAE)分别达到了0.95、6.1、4.78.在无人机拍摄图像计数中,决定系数达到0.886,整体错误率仅为0.23％,平均单幅小麦图像计数时间为32 ms,计数速度与精度均表现优异.普适田间小麦计数模型WECnet可以对无人机获取图像中小麦的准确计数及密度预估提供数据参考.

关键词：无人机;图像识别;麦穗计数;卷积神经网络;高质量密度图;多尺度感知;线性滤波

所属期刊栏目：37

分类号：S126(农业物理学)

资助基金：江苏高校优势学科建设工程三期资助项目PAPD-2018-87

在线出版日期：2022-03-02（万方平台首次上网日期，不代表论文的发表时间）

页数：共9页

页码：136-144