复杂大田场景中麦穗检测级联网络优化方法

发布时间：2021-07-01 14:59

　　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。 

【文章来源】：农业机械学报. 2020,51(12)北大核心EICSCD

【文章页数】：8 页

【参考文献】：
期刊论文
[1]农业信息成像感知与深度学习应用研究进展[J]. 孙红,李松,李民赞,刘豪杰,乔浪,张瑶.  农业机械学报. 2020(05)
[2]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)
[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]基于超像素分割的田间小麦穗数统计方法[J]. 杜颖,蔡义承,谭昌伟,李振海,杨贵军,冯海宽,韩东.  中国农业科学. 2019(01)
[5]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)
[6]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)
[7]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)
[8]基于HJ-1卫星影像的三大农作物估产最佳时相选择[J]. 欧文浩,苏伟,薛文振,夏小茏.  农业工程学报. 2010(11)



本文编号：3259353