基于卷积神经网络的小麦产量预估方法

发布时间：2021-05-10 04:08

　　小麦产量是评估农业生产力的重要指标之一,针对小麦产量人工预估困难,提出将卷积神经网络运用于小麦产量预估,为农业生产力的预估提供参考,指导农业生产管理决策。利用无人机分别在河南省新乡、漯河两地进行图片采集,并以之构建麦穗数据集,分为正样本（麦穗）和负样本（叶子和背景）。针对小麦常规的生理形态和生长环境,设计卷积神经网络识别模型,以图像金字塔构建多尺度滑动窗口,以非极大值抑制（NMS）去除重叠率较高的目标框,实现对单位面积内麦穗的计数,并利用随机采样的方式对大田麦穗进行单位面积图像采样,以采样图像中麦穗数量的平均值作为产量预估基准,进一步实现麦穗产量预估。随机抽取100幅不同小麦图片进行测试,与人工计数结果进行对比,准确率达到97.30%,漏检率为0.34%,误检率为2.36%,误差率为2.70%。试验结果表明,此方法能够克服环境中的多种噪声干扰,能够在不同光照条件下对麦穗进行计数和产量预估。 

【文章来源】：浙江农业学报. 2020,32(12)北大核心CSCD

【文章页数】：9 页

【文章目录】：
1 材料与方法
    1.1 材料
    1.2 方法
        1.2.1 试验环境与模型训练
        1.2.2 CNN网络模型
        1.2.3 基于高斯图像金字塔的多尺度滑窗
        1.2.4 具体检测方式
        1.2.5 非极大值抑制(NMS)
        1.2.6 小麦产量预估方法
2 结果与分析
    2.1 试验结果评估
    2.2 与其他算法的对比分析
    2.3 麦穗估产试验评估
3 结论与讨论


【参考文献】：
期刊论文
[1]基于改进K-means聚类算法的大田麦穗自动计数[J]. 刘哲,黄文准,王利平.  农业工程学报. 2019(03)
[2]基于高斯-拉普拉斯金字塔的DR图像增强改进算法研究[J]. 朱伟,刘健,竺明月,邵勤,严郁.  中国医疗器械杂志. 2019(01)
[3]基于卷积神经网络的冬小麦麦穗检测计数系统[J]. 张领先,陈运强,李云霞,马浚诚,杜克明.  农业机械学报. 2019(03)
[4]改进的非极大值抑制算法的目标检测[J]. 赵文清,严海,邵绪强.  中国图象图形学报. 2018(11)
[5]基于改进VGG卷积神经网络的棉花病害识别模型[J]. 张建华,孔繁涛,吴建寨,翟治芬,韩书庆,曹姗姗.  中国农业大学学报. 2018(11)
[6]基于小麦群体图像的田间麦穗计数及产量预测方法[J]. 李毅念,杜世伟,姚敏,易应武,杨建峰,丁启朔,何瑞银.  农业工程学报. 2018(21)
[7]一种改进的深度置信网络在棉花病虫害预测中的应用[J]. 王献锋,丁军,朱义海.  棉花学报. 2018(04)
[8]基于高斯金字塔和拉普拉斯金字塔融合的图像对比度增强算法研究[J]. 马永强,王顺利,孙伟,刘宝娥.  信息与电脑(理论版). 2018(04)
[9]基于机器视觉的大田环境小麦麦穗计数方法[J]. 范梦扬,马钦,刘峻明,王庆,王越,段熊春.  农业机械学报. 2015(S1)
[10]基于图像处理技术的大田麦穗计数![J]. 刘涛,孙成明,王力坚,仲晓春,朱新开,郭文善.  农业机械学报. 2014(02)

硕士论文
[1]基于小麦群体图像的麦穗计数方法研究[D]. 张婷婷.安徽大学 2020
[2]基于深度神经网络的大田小麦麦穗检测方法研究[D]. 高云鹏.北京林业大学 2019
[3]基于无人机图像的麦穗识别技术研究[D]. 李鹏.河南农业大学 2019
[4]基于颜色特征和改进Adaboost算法的麦穗识别的研究[D]. 赵锋.河北农业大学 2014



本文编号：3178649