基于深度神经网络的大田小麦麦穗检测方法研究

发布时间：2020-04-21 06:09

【摘要】：小麦麦穗的自动检测在产量预估、种子筛选、密度估计和基因性状表达等方面都具有一定的科研应用价值。目前主要研究大多在麦穗计数方面。针对传统的大田麦穗计数方法存在效率低、主观性影响较高以及对麦穗面积统计相关研究较少等问题,本研究以河北省涿州市林家屯镇(东经115°99',北纬39°43')种植的山农优麦2号小麦作为实验对象,首先研究了基于YOLOv3网络的大田小麦麦穗自动检测方法,对于基于不同尺度图像的数据集的检测结果进行比较分析。在此基础上研究了基于Mask R-CNN网络的大田小麦麦穗自动检测方法,通过掩码获取小麦麦穗投影面积。研究结果表明,自动检测结果与人工统计进行比较,基于YOLOv3网络的麦穗的识别准确率达到87.12%,单张检测速度0.12s;基于Mask R-CNN网络麦穗的识别准确率达到97.00%,单张检测速度0.94s,掩码与人工标定麦穗像素面积的平均相对误差为11.61%。两种检测方法都具有一定准确性,YOLOv3网络检测速度更快,Mask R-CNN网络检测精度更高,使用YOLOv3和Mask R-CNN深度神经网络对在大田背景下的小麦麦穗检测是一种较为高效准确的检测方法。
【图文】：

函数图像,函数图像,函数

／Ｗ邋＝７＾１７逦（２－３）逡逑如图２．６所示Ｔａｎｈ函数图像，Ｔａｎｈ函数值域范围是［－Ｕ］．本质上是Ｓｉｇｍｏｉｄ函数逡逑的改进形式，其输出值可以将０作为中心，并且收敛速度较Ｓｉｇｍｏｉｄ函数快，因此在逡逑实际应用过程中，Ｔａｎｈ函数表现更好。但是梯度消失问题在Ｔａｎｈ函数中仍然存在。逡逑１．００邋－邋，逦逡逑０．７５邋？逦／逡逑０．５０邋？逡逑０．２５邋－逦／逡逑＞．０．００邋？逡逑－０邋２５邋？逡逑－０．５０邋－逡逑－０．７５邋－逦／逡逑－１邋00邋－邋逦逡逑－１０．０逦－７．５逦－５．０逦－２．５逦０．０逦２．５逦５．０逦７．５逦１０．０逡逑ｘ逡逑图２．６邋Ｔａｎｈ函数图像逡逑Ｆｉｇｕｒｅ２．６邋Ｔａｎｈ邋ｆｕｎｃｔｉｏｎ邋ｃｕｒｖｅ逡逑ＲｅＬＵ函数（ＸａｖｉｅｒＧｌｏｒｏｔ等，２０１１）的定义表达式为：逡逑１１逡逑

函数图像,函数图像,函数

－１０．０逦－７．５逦－５．０逦－２．５逦０．０逦２．５逦５．０逦７．５逦１０．０逡逑Ｘ逡逑图２．５邋Ｓｉｇｍｏｉｄ函数图像逡逑Ｆｉｇｕｒｅ２．５邋Ｓｉｇｍｏｉｄ邋ｆｕｎｃｔｉｏｎ邋ｃｕｒｖｅ逡逑Ｔａｎｈ函数（Ｍａｌｆｌｉｅｔ邋＆邋Ｈｅｒｅｍａｎ，１９９６）的定义表达式为：逡逑／Ｗ邋＝７＾１７逦（２－３）逡逑如图２．６所示Ｔａｎｈ函数图像，Ｔａｎｈ函数值域范围是［－Ｕ］．本质上是Ｓｉｇｍｏｉｄ函数逡逑的改进形式，，其输出值可以将０作为中心，并且收敛速度较Ｓｉｇｍｏｉｄ函数快，因此在逡逑实际应用过程中，Ｔａｎｈ函数表现更好。但是梯度消失问题在Ｔａｎｈ函数中仍然存在。逡逑１．００邋－邋，逦逡逑０．７５邋？逦／逡逑０．５０邋？逡逑０．２５邋－逦／逡逑＞．０．００邋？逡逑－０邋２５邋？逡逑－０．５０邋－逡逑－０．７５邋－逦／逡逑－１邋00邋－邋逦逡逑－１０．０逦－７．５逦－５．０逦－２．５逦０．０逦２．５逦５．０逦７．５逦１０．０逡逑ｘ逡逑图２．６邋Ｔａｎｈ函数图像逡逑Ｆｉｇｕｒｅ２．６邋Ｔａｎｈ邋ｆｕｎｃｔｉｏｎ邋ｃｕｒｖｅ逡逑ＲｅＬＵ函数（ＸａｖｉｅｒＧｌｏｒｏｔ等，２０１１）的定义表达式为：逡逑１
【学位授予单位】：北京林业大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：TP183;TP391.41;S512.1

【相似文献】