基于改进YOLO v3的玉米叶片气孔自动识别与测量方法

气孔是植物叶片与外界环境交换气体和水分的重要结构。针对现有气孔性状分析主要采用人工测量，过程繁琐、效率低下、容易出现人为误差的问题，本文采用YOLO(You only look once)深度学习模型完成了玉米叶片气孔的自动识别与自动测量工作。结合玉米叶片气孔数据集的特点，对YOLO深度学习模型进行了改进，有效地提高了气孔识别和测量的精确率。对YOLO深度学习模型中的预测端进行了优化，降低了误检率；同时，结合气孔特征对16倍、32倍下采样层进行简化，提高了识别效率。实验结果表明，改进后的YOLO深度学习模型在玉米叶片气孔数据集上识别精确率达到95%,参数测量的平均精确率达到90%以上。本文方法能够自动完成玉米叶片气孔的识别、计数与测量，解决了传统气孔分析方法的低效率问题，为农业科学家、植物学家开展植物气孔分析研究提供了技术支撑。