复杂大田场景中麦穗检测级联网络优化方法

摘要：

单位种植面积的麦穗数量是评估小麦产量的关键农艺指标之一.针对农田复杂场景中存在的大量麦芒、卷曲麦叶、杂草等环境噪声、小尺寸目标和光照不均等导致的麦穗检测准确度下降的问题,提出了一种基于深度学习的麦穗检测方法(FCS R-CNN).以Cascade R-CNN为基本网络模型,通过引入特征金字塔网络(Feature pyramid network,FPN)融合浅层细节特征和高层丰富语义特征,通过采用在线难例挖掘(Online hard example mining,OHEM)技术增加对高损失样本的训练频次,通过IOU(Intersection over union)阈值对网络模型进行阶段性融合,最后基于圆形LBP纹理特征训练一个SVM分类器,对麦穗检出结果进行复验.大田图像测试表明,FCS R-CNN模型的检测精度达92.9％,识别单幅图像平均耗时为0.357 s,平均精度为81.22％,比Cascade R-CNN提高了21.76个百分点.

关键词：麦穗计数、目标检测、Cascade R-CNN、IOU级联、复杂场景

所属期刊栏目：51

分类号：TP391.41(计算技术、计算机技术)

资助基金：国家重点研发计划项目;江苏省重点研发计划现代农业重点项目;中央高校基本科研业务费自主创新重点项目

在线出版日期：2021-03-15（万方平台首次上网日期，不代表论文的发表时间）

页数：共8页

页码：212-219