單位種植面積的麥穗數(shù)量是評估小麥產(chǎn)量的關(guān)鍵農(nóng)藝指標(biāo)之一。針對農(nóng)田復(fù)雜場景中存在的大量麥芒、卷曲麥葉、雜草等環(huán)境噪聲、小尺寸目標(biāo)和光照不均等導(dǎo)致的麥穗檢測準(zhǔn)確度下降的問題,提出了一種基于深度學(xué)習(xí)的麥穗檢測方法（FCS R-CNN）。以Cascade R-CNN為基本網(wǎng)絡(luò)模型通過引入特征金字塔網(wǎng)絡(luò)（Feature pyramid network,FPN）融合淺層細(xì)節(jié)特征和高層豐富語義特征,通過采用在線難例挖掘（Online hard example mining,OHEM）技術(shù)增加對高損失樣本的訓(xùn)練頻次通過IOU（Intersection over union）閾值對網(wǎng)絡(luò)模型進(jìn)行階段性融合,最后基于圓形LBP紋理特征訓(xùn)練一個SVM分類器,對麥穗檢出結(jié)果進(jìn)行復(fù)驗。大田圖像測試表明,FCS R-CNN模型的檢測精度達(dá)92.9%,識別單幅圖像平均耗時為0.357 s,平均精度為81.22%,比Cascade R-CNN提高了21.76個百分點。 

【文章來源】：農(nóng)業(yè)機械學(xué)報. 2020,51(12)北大核心EICSCD

【文章頁數(shù)】：8 頁

【參考文獻(xiàn)】：
期刊論文
[1]農(nóng)業(yè)信息成像感知與深度學(xué)習(xí)應(yīng)用研究進(jìn)展[J]. 孫紅,李松,李民贊,劉豪杰,喬浪,張瑤.  農(nóng)業(yè)機械學(xué)報. 2020(05)
[2]基于改進(jìn)K-means聚類算法的大田麥穗自動計數(shù)[J]. 劉哲,黃文準(zhǔn),王利平.  農(nóng)業(yè)工程學(xué)報. 2019(03)
[3]基于卷積神經(jīng)網(wǎng)絡(luò)的冬小麥麥穗檢測計數(shù)系統(tǒng)[J]. 張領(lǐng)先,陳運強,李云霞,馬浚誠,杜克明.  農(nóng)業(yè)機械學(xué)報. 2019(03)
[4]基于超像素分割的田間小麥穗數(shù)統(tǒng)計方法[J]. 杜穎,蔡義承,譚昌偉,李振海,楊貴軍,馮海寬,韓東.  中國農(nóng)業(yè)科學(xué). 2019(01)
[5]基于小麥群體圖像的田間麥穗計數(shù)及產(chǎn)量預(yù)測方法[J]. 李毅念,杜世偉,姚敏,易應(yīng)武,楊建峰,丁啟朔,何瑞銀.  農(nóng)業(yè)工程學(xué)報. 2018(21)
[6]基于機器視覺的大田環(huán)境小麥麥穗計數(shù)方法[J]. 范夢揚,馬欽,劉峻明,王慶,王越,段熊春.  農(nóng)業(yè)機械學(xué)報. 2015(S1)
[7]基于圖像處理技術(shù)的大田麥穗計數(shù)![J]. 劉濤,孫成明,王力堅,仲曉春,朱新開,郭文善.  農(nóng)業(yè)機械學(xué)報. 2014(02)
[8]基于HJ-1衛(wèi)星影像的三大農(nóng)作物估產(chǎn)最佳時相選擇[J]. 歐文浩,蘇偉,薛文振,夏小蘢.  農(nóng)業(yè)工程學(xué)報. 2010(11)



本文編號：3259353