基于MF-SSD卷积神经网络的玉米穗丝目标检测方法

发布时间：2022-02-26 22:06

　　【目的】玉米穗丝是玉米的授粉器官,生长发育状况会影响玉米的产量。为了在玉米生长状态监测和产量预测工作中实时准确识别玉米穗丝,提出一种基于多特征融合SSD （MF-SSD）卷积神经网络的玉米穗丝检测模型。【方法】基于特征图对玉米穗丝进行检测,在VGG16-SSD的基础上,用MobileNet替换特征提取器,加入多层特征融合结构,得到MF-SSD网络模型;通过网络优化调整,试验了MF-SSD-cut-3、MF-SSD和MF-SSD-add-3共3种网络结构,优选出检测性能最好的网络结构用于玉米穗丝检测。基于玉米穗丝图像数据集,应用0～180°随机旋转原始图像和水平翻转、平移原始图像2种数据增广技术提升模型训练效果。对是否使用二次训练策略和是否使用Focal loss解决样本不平衡问题进行了试验,并对比分析Loss的下降过程。【结果】通过加入多层特征融合结构对SSD模型改进后能够提高网络的检测能力,提升识别速度。与VGG16-SSD相比,MF-SSD在交并比指标方面的平均精度提高7.2%,对玉米穗丝小目标检测的平均召回率提高19.6%,检测速度最高能提升18.7%。在存储空间和运行时间有较高... 

【文章来源】：华南农业大学学报. 2020,41(06)北大核心CSCD

【文章页数】：10 页

【参考文献】：
期刊论文
[1]基于改进SSD的柑橘实时分类检测[J]. 李善军,胡定一,高淑敏,林家豪,安小松,朱明.  农业工程学报. 2019(24)
[2]基于深度卷积神经网络的玉米病害识别[J]. 刘永波,雷波,曹艳,唐江云,胡亮.  中国农学通报. 2018(36)
[3]自然环境下多类水果采摘目标识别的通用改进SSD模型[J]. 彭红星,黄博,邵园园,李泽森,张朝武,陈燕,熊俊涛.  农业工程学报. 2018(16)
[4]基于卷积神经网络的温室黄瓜病害识别系统[J]. 马浚诚,杜克明,郑飞翔,张领先,孙忠富.  农业工程学报. 2018(12)
[5]基于面向通道分组卷积网络的番茄主要器官实时识别[J]. 周云成,许童羽,邓寒冰,苗腾.  农业工程学报. 2018(10)
[6]基于时间序列红外图像的玉米叶面积指数连续监测[J]. 王传宇,郭新宇,杜建军.  农业工程学报. 2018(06)
[7]基于卷积神经网络提取多尺度分层特征识别玉米杂草[J]. 王璨,武新慧,李志伟.  农业工程学报. 2018(05)
[8]玉米优良品种推广重心转移及扩散的时空规律[J]. 刘哲,曲艺伟,赵祖亮,李绍明,张晓东.  农业工程学报. 2018(01)
[9]气候变化背景下中国玉米单产增速减缓的原因分析[J]. 杨笛,熊伟,许吟隆,冯灵芝,张梦婷,刘欢.  农业工程学报. 2017(S1)
[10]基于神经网络的大麦病害识别研究[J]. 王临铭,高晓阳,李红岭,邵世禄,田斌,王关平,杨梅,李妙祺,李小莹,杨建青,王明磊,寇敏瑜.  甘肃农业大学学报. 2015(02)



本文编号：3645066