10.13733/j.jcam.issn.2095-5553.2020.07.020
基于卷积神经网络的水稻钵体软盘穴播量检测
为避免水稻钵体软盘穴播量检测过程中的秧盘背景分割和稻种特征的手工设计及提取,本文提出了一种基于卷积神经网络的水稻钵体软盘穴播量检测方法,该方法可自动学习和提取不同穴播量的水稻种子特征,实现常规稻、杂交稻和超级杂交稻钵体软盘穴播量为0、1、2、3、4、5、6及7粒以上共8种播量的自动检测.本文在每层卷积单元网络结构参数保持固定的前提下,选取2~4层共3种不同卷积单元数量的网络结构对RiceCountCNN模型性能进行试验,试验结果表明随着模型深度加深,模型检测精度逐渐提高.本文在3层RiceCountCNN模型网络框架下,按卷积核的大小递减和数量递增原则选择得出不同的卷积核网络参数组合方式,最终优化得出网络结构为9C16-AP2-7C32-AP2-5C64的模型性能最佳,平均正确率达到98,76%.为测试RiceCountCNN模型的性能,每个水稻品种选取1幅19穴×14穴的图像作为测试集对模型进行测试,试验结果得出模型针对常规稻、杂交稻和超级杂交稻的检测正确率分别达到97.37%、98.12%和90.98%,每幅图像的检测时间小于2.33 s.研究结果满足精密育秧播种实际工况检测要求,该研究为实现水稻精密衡量播种作业提供参考.
穴播量、卷积神经网络、稻种、钵体软盘、网络深度、卷积核
41
S24;TS253.7(农业电气化与自动化)
国家重点研发计划课题;现代农业产业技术体系建设专项资金;广东石油化工学院人才引进及博士启动项目
2020-09-11(万方平台首次上网日期,不代表论文的发表时间)
共7页
130-136