无人机遥感图像中的玉米雄穗轻量化检测模型

【目的】玉米雄穗在玉米生产及品种鉴别等方面具有重要的作用,其性状在一定程度上也和产量相关,自动监测玉米抽雄期能有效观察玉米生长状况,现阶段的玉米雄穗检测方法无法很好地完成实时检测任务,从而提出一种兼顾检测精度与检测速度的新检测模型。【方法】使用无人机在中国西南地区的玉米农田采集数据样本,对数据样本进行处理,共得到1 000张有效数据,使用LabelImg软件标注出样本中雄穗的位置和大小。为使试验模拟出复杂环境下的玉米雄穗在不同气候与光照呈现出不同的特征,随机采用镜像对称、仿射变换、高斯加噪、对比度变化的方式对数据样本增强至11 000张,以此制作数据集。选用检测精度高但参数量和计算量较大的YOLOv4作为检测的基准模型,为了减少模型参数量与计算量,更好地完成雄穗实时检测任务,新的检测模型使用轻量级神经网络GhostNet替换YOLOv4的主干特征提取网络,在加强特征提取网络中使用深度可分离卷积模块替代普通卷积模块,并将激活函数更换为稀疏性较强的ReLU6,从而有效地进行轻量化。【结果】轻量化后的新模型参数量为43.4 MB,计算量为3.55 GFLOPs,仅占原基准模型YOLOv4的1...     

基于SwinT-YOLACT的玉米果穗实时实例分割

玉米果穗的表型参数是玉米生长状态的重要表征,生长状况的好坏直接影响玉米产量和质量。为方便无人巡检机器人视觉系统高通量、自动化获取玉米表型参数,该研究基于YOLACT（you only look at coefficients）提出一种高精度-速度平衡的玉米果穗分割模型SwinT-YOLACT。首先使用Swin-Transformer作为模型主干特征提取网络,以提高模型的特征提取能力;然后在特征金字塔网络之前引入有效通道注意力机制,剔除冗余特征信息,以加强对关键特征的融合;最后使用平滑性更好的Mish激活函数替换模型原始激活函数Relu,使模型在保持原有速度的同时进一步提升精度。基于自建玉米果穗数据集训练和测试该模型,试验结果表明,SwinT-YOLACT的掩膜均值平均精度为79.43%,推理速度为35.44帧/s,相较于原始YOLACT和其改进算法YOLACT++,掩膜均值平均精度分别提升了3.51和3.38个百分点;相较于YOLACT、YOLACT++和Mask R-CNN模型,推理速度分别提升了3.39、2.58和28.64帧/s。该模型对玉米果穗有较为优秀的分割效果,适于部署在无人巡检机器人视觉系统上,为玉米生长状态监测提供技术支撑。