基于深度学习的高分辨率麦穗图像检测方法
小麦是重要的粮食作物之一,针对人工田间麦穗计数及产量预测效率低的问题,基于深度学习提出了一种高分辨率的小密集麦穗实时检测方法.对麦穗图像数据集进行图像分割、标注、增强预处理,基于Tensorflow搭建YOLOv4网络模型,调整改进后对其进行迁移学习;与YOLOv3、YOLOv4-tiny、Faster R-CNN训练模型进行对比,对改进模型的实用性与局限性进行分析;重点分析影响麦穗检测模型性能的关键因素.通过图像分割的方式,证明了通过改变图像分辨率确定麦穗所占图像最优像素比,可以提高前景与背景差异,对小密集麦穗有显著效果.通过对改进模型的测试,表明该模型检测精度高,鲁棒性强.不同分辨率、不同品种、不同时期的麦穗图像均类平均精度(mAP)为93.7％,单张图片的检测速度为52帧·s-1,满足了麦穗的高精度实时检测.该研究结果为田间麦穗计数以及产量预测提供技术支持.
深度学习、目标检测、麦穗、YOLOv4、实时检测
24
S126;TP391(农业物理学)
天津市科技计划项目;天津市教委科研计划项目;天津市企业科技特派员项目
2022-11-02（万方平台首次上网日期，不代表论文的发表时间）
共10页
96-105
