【摘要】：小麥麥穗的自動檢測在產(chǎn)量預估、種子篩選、密度估計和基因性狀表達等方面都具有一定的科研應用價值。目前主要研究大多在麥穗計數(shù)方面。針對傳統(tǒng)的大田麥穗計數(shù)方法存在效率低、主觀性影響較高以及對麥穗面積統(tǒng)計相關研究較少等問題,本研究以河北省涿州市林家屯鎮(zhèn)(東經(jīng)115°99',北緯39°43')種植的山農(nóng)優(yōu)麥2號小麥作為實驗對象,首先研究了基于YOLOv3網(wǎng)絡的大田小麥麥穗自動檢測方法,對于基于不同尺度圖像的數(shù)據(jù)集的檢測結果進行比較分析。在此基礎上研究了基于Mask R-CNN網(wǎng)絡的大田小麥麥穗自動檢測方法,通過掩碼獲取小麥麥穗投影面積。研究結果表明,自動檢測結果與人工統(tǒng)計進行比較,基于YOLOv3網(wǎng)絡的麥穗的識別準確率達到87.12%,單張檢測速度0.12s;基于Mask R-CNN網(wǎng)絡麥穗的識別準確率達到97.00%,單張檢測速度0.94s,掩碼與人工標定麥穗像素面積的平均相對誤差為11.61%。兩種檢測方法都具有一定準確性,YOLOv3網(wǎng)絡檢測速度更快,Mask R-CNN網(wǎng)絡檢測精度更高,使用YOLOv3和Mask R-CNN深度神經(jīng)網(wǎng)絡對在大田背景下的小麥麥穗檢測是一種較為高效準確的檢測方法。
【圖文】：

／Ｗ邋＝７＾１７邐（２－３）逡逑如圖２．６所示Ｔａｎｈ函數(shù)圖像，Ｔａｎｈ函數(shù)值域范圍是［－Ｕ］．本質(zhì)上是Ｓｉｇｍｏｉｄ函數(shù)逡逑的改進形式，其輸出值可以將０作為中心，并且收斂速度較Ｓｉｇｍｏｉｄ函數(shù)快，因此在逡逑實際應用過程中，Ｔａｎｈ函數(shù)表現(xiàn)更好。但是梯度消失問題在Ｔａｎｈ函數(shù)中仍然存在。逡逑１．００邋－邋，邐逡逑０．７５邋？邐／逡逑０．５０邋？逡逑０．２５邋－邐／逡逑＞．０．００邋？逡逑－０邋２５邋？逡逑－０．５０邋－逡逑－０．７５邋－邐／逡逑－１邋00邋－邋邐逡逑－１０．０邐－７．５邐－５．０邐－２．５邐０．０邐２．５邐５．０邐７．５邐１０．０逡逑ｘ逡逑圖２．６邋Ｔａｎｈ函數(shù)圖像逡逑Ｆｉｇｕｒｅ２．６邋Ｔａｎｈ邋ｆｕｎｃｔｉｏｎ邋ｃｕｒｖｅ逡逑ＲｅＬＵ函數(shù)（ＸａｖｉｅｒＧｌｏｒｏｔ等，２０１１）的定義表達式為：逡逑１１逡逑

－１０．０邐－７．５邐－５．０邐－２．５邐０．０邐２．５邐５．０邐７．５邐１０．０逡逑Ｘ逡逑圖２．５邋Ｓｉｇｍｏｉｄ函數(shù)圖像逡逑Ｆｉｇｕｒｅ２．５邋Ｓｉｇｍｏｉｄ邋ｆｕｎｃｔｉｏｎ邋ｃｕｒｖｅ逡逑Ｔａｎｈ函數(shù)（Ｍａｌｆｌｉｅｔ邋＆邋Ｈｅｒｅｍａｎ，１９９６）的定義表達式為：逡逑／Ｗ邋＝７＾１７邐（２－３）逡逑如圖２．６所示Ｔａｎｈ函數(shù)圖像，Ｔａｎｈ函數(shù)值域范圍是［－Ｕ］．本質(zhì)上是Ｓｉｇｍｏｉｄ函數(shù)逡逑的改進形式，，其輸出值可以將０作為中心，并且收斂速度較Ｓｉｇｍｏｉｄ函數(shù)快，因此在逡逑實際應用過程中，Ｔａｎｈ函數(shù)表現(xiàn)更好。但是梯度消失問題在Ｔａｎｈ函數(shù)中仍然存在。逡逑１．００邋－邋，邐逡逑０．７５邋？邐／逡逑０．５０邋？逡逑０．２５邋－邐／逡逑＞．０．００邋？逡逑－０邋２５邋？逡逑－０．５０邋－逡逑－０．７５邋－邐／逡逑－１邋00邋－邋邐逡逑－１０．０邐－７．５邐－５．０邐－２．５邐０．０邐２．５邐５．０邐７．５邐１０．０逡逑ｘ逡逑圖２．６邋Ｔａｎｈ函數(shù)圖像逡逑Ｆｉｇｕｒｅ２．６邋Ｔａｎｈ邋ｆｕｎｃｔｉｏｎ邋ｃｕｒｖｅ逡逑ＲｅＬＵ函數(shù)（ＸａｖｉｅｒＧｌｏｒｏｔ等，２０１１）的定義表達式為：逡逑１
【學位授予單位】：北京林業(yè)大學
【學位級別】：碩士
【學位授予年份】：2019
【分類號】：TP183;TP391.41;S512.1

【相似文獻】

相關期刊論文 前10條

1 胡悅;;金融市場中的神經(jīng)網(wǎng)絡拐點預測法[J];金融經(jīng)濟;2017年18期

2 遲惠生;陳珂;;1995年世界神經(jīng)網(wǎng)絡大會述評[J];國際學術動態(tài);1996年01期

3 王方;苗放;陳墾;;基于優(yōu)化神經(jīng)網(wǎng)絡的地質(zhì)災害監(jiān)測預警仿真[J];計算機仿真;2019年11期

4 馬猛;王明紅;;基于進化神經(jīng)網(wǎng)絡的304不銹鋼車削加工表面粗糙度預測[J];輕工機械;2019年06期

5 莊連生;呂揚;楊健;李厚強;;時頻聯(lián)合長時循環(huán)神經(jīng)網(wǎng)絡[J];計算機研究與發(fā)展;2019年12期

6 李杰;孫仁誠;;幾種典型卷積神經(jīng)網(wǎng)絡的權重分析與研究[J];青島大學學報(自然科學版);2019年04期

7 岳新;杜玉紅;蔡文超;;基于GA-BP神經(jīng)網(wǎng)絡異纖分揀機檢測參數(shù)優(yōu)化[J];棉紡織技術;2020年01期

8 趙偉榮;李慧;;基于集成神經(jīng)網(wǎng)絡的織物主觀風格預測研究[J];紡織科技進展;2020年01期

9 李金堂;;試析神經(jīng)網(wǎng)絡技術在機械工程中的應用及發(fā)展[J];網(wǎng)絡安全技術與應用;2020年02期

10 吳立可;;脈沖神經(jīng)網(wǎng)絡和行為識別[J];通訊世界;2018年12期

相關會議論文 前10條

1 孫軍田;張U

本文編號：2635453