基于深度学习的高分辨率麦穗图像检测方法

小麦是重要的粮食作物之一,针对人工田间麦穗计数及产量预测效率低的问题,基于深度学习提出了一种高分辨率的小密集麦穗实时检测方法。对麦穗图像数据集进行图像分割、标注、增强预处理,基于Tensorflow搭建YOLOv4网络模型,调整改进后对其进行迁移学习;与YOLOv3、YOLOv4-tiny、Faster R-CNN训练模型进行对比,对改进模型的实用性与局限性进行分析;重点分析影响麦穗检测模型性能的关键因素。通过图像分割的方式,证明了通过改变图像分辨率确定麦穗所占图像最优像素比,可以提高前景与背景差异,对小密集麦穗有显著效果。通过对改进模型的测试,表明该模型检测精度高,鲁棒性强。不同分辨率、不同品种、不同时期的麦穗图像均类平均精度（mAP）为93.7%,单张图片的检测速度为52帧·s^-1,满足了麦穗的高精度实时检测。该研究结果为田间麦穗计数以及产量预测提供技术支持。     

基于改进YOLOX-s的田间麦穗检测及计数

麦穗检测与计数关乎小麦的产量预估与育种，估算小麦产量的重要指标之一就是单位面积穗数，如何准确检测单位面积穗数对于农业生产管理决策有着重要的指导作用。因此本研究提出了基于改进的YOLOX-s的田间麦穗检测方法对麦穗进行精准识别与计数。首先，选取多个国家的不同品种小麦图像，使用图像增强、数据清洗等方法建立全球小麦图像数据集。其次，在YOLOX-s的基础上根据麦穗图像的特点，重新设计了特征提取网络的深度，同时加入注意力机制，充分提取麦穗特征。将SPP模块替换为SPPF模块，在提升推理速度的同时，不降低模型性能。通过全球小麦图像数据集进行模型训练，并使用实地拍摄的麦田图像对模型进行测试。试验结果表明：通过全球小麦图像数据集的训练，改进的YOLOX-s网络模型的mAP达到了89.03%,精确度达到了91.21%。在实拍的麦田图像中，计数准确率达到了97.93%,平均单幅图像计数为0.194 s,单株小麦识别速度为2.8 ms,检测速度较YOLOX-s提升30.2%,计数速度优异，麦穗定位准确。     

基于无锚框YOLO检测网络的麦穗检测方法

小麦产量可由单位面积的小麦麦穗总数估算得出。基于采集小麦图像序列特征并进行检测的方法受光照等因素影响大,检测精度不高。为准确定位麦穗位置,估计麦穗数量,引入深度卷积神经网络进行麦穗检测工作。针对麦穗比例多样,先验锚框设定无法完美契合的弊端,舍弃了目标检测网络中常用的矩形先验锚定框（anchor）,提出了一种基于YOLO框架的无锚框（anchor-free）麦穗目标检测方法。采用CSPDarkNet53作为特征提取网络,中间层采用特征图金字塔网络结构FPN(Feature Pyramid Networks)设计特征处理模块,增大感受野并提取图像的多尺度信息,获得融合高低层语义信息的特征图,后端采用FoveaBox式无锚框检测器完成目标检测。在WEDD与GWHD两个不同分辨率的公开麦穗数据集上测试表明,该网络的检测平均精度AP值相较于YOLOv4网络分别提升了8.81%和1.69%,并在GWHD数据集上帧率达到36FPS。本算法能够实时有效地进行麦穗精确检测,为后续小麦估产、育种等创造了条件。     

基于深度残差网络的麦穗回归计数方法

单位面积的穗数是估算小麦产量的重要指标,针对传统麦穗计数方法效率低、主观性高等问题,将基于深度残差网络的密度回归模型引入麦穗的计数领域,建立原始图片与密度图的对应关系,以密度图像素值总和确定图像中麦穗数量。对ResNet34网络进行改进,提出了ResNet-16模型,实现端对端的麦穗计数。针对ResNet34网络复杂度高的特点,ResNet-16增加了残差块的宽度,减少了ResNet34网络的深度;为了避免真值密度图的精度误差以及梯度下降过快,引入了矫正因子δ和膨胀因子K。结果表明:改进后的ResNet-16模型能够取得更好的预测精度,平均绝对误差为2.50,均方根误差为3.27,相关系数R~2为0.973,计数准确率达到94%,较MCNN计数模型精度提高了6%,可以实现高效、快速的麦穗计数。利用基于深度残差网络的回归计数模型为麦穗计数提供了一种新的计数方式。     

基于改进Bayes抠图算法的麦穗小穗自动计数方法

小麦产量评估需人工获取田间单位面积的麦穗数和麦穗小穗数，往往耗时耗力。为了实现高效、自动地麦穗小穗计数，提出一种基于改进Bayes抠图算法的麦穗小穗自动计数方法。该方法首先利用改进Bayes抠图算法对获取地自然生长条件下的麦穗图像进行抠图，将麦穗从自然背景中分割出来。然后对该图像进行平滑滤波和二值化，运用迭代极限腐蚀运算对二值化图像进行腐蚀处理，去除麦穗图像中的麦芒，分离出麦穗上每个单独的麦穗小穗。再运用面积滤波滤除掉面积过小的区域，对剩余区域的黑洞进行填充，由此每个单独的麦穗小穗形成一个单独的连通区域，最后对连通区域进行标记和计数，完成麦穗小穗的自动计数。使用4个小麦品种的麦穗图像对麦穗上的小穗进行计数验证，结果表明，该方法在识别4个品种田间麦穗单幅图像中小穗数量的平均计数精度达到94.53%，平均相对误差为5.47%，对比已有麦穗小穗自动计数方法，计数精度显著提高，这对于小麦在线产量预估具有重要意义。     

基于超像素分割的田间小麦穗数统计方法

【目的】 小麦穗数是产量构成的重要因素。通过图像处理技术快速准确地统计小麦穗数,为作物长势监测和产量估测提供重要依据。【方法】 本研究以经氮肥梯度处理后不同长势的小麦为研究对象,首先,通过简单线性迭代聚类算法（simple linear iterative cluster,SLIC）对田间小麦图像进行超像素分割的预处理;提取并分析图像的部分颜色特征参数,选择适宜的颜色特征参数训练分类器;选择准确率最高的分类器对图像进行分类处理,识别麦穗。其次,对麦穗识别结果进行二值化;经腐蚀、膨胀等一系列形态学计算提取麦穗主体并进行区域统计;提取麦穗骨架,检测骨架角点数,结合角点数与区域统计结果计算小麦穗数;最后,通过线性回归分析方法验证了无氮（0）、低氮（1/2常规施氮量）、正常氮（常规施氮量）、高氮（2倍的常规施氮量）4个氮水平麦穗统计结果。【结果】 （1）利用超绿值（E_g）和归一化红绿指数（D_gr）作为分类特征可以有效地识别麦穗、土壤和叶片;（2）相较于直接基于像素进行图像处理,经超像素分割处理后麦穗识别结果更理想,识别出麦穗主体清晰,形态更为完整;（3）经比较,高氮水平下小麦长势较好,穗数统计准确率最高,为94.4%,无氮水平下小麦长势较差,穗数统计准确率最低,仅为81.9%;排除无氮情况后,长势较均匀的氮水平混合样本中麦穗计数准确率达到92.9%,相较于长势差异较大的混合样本准确率提高了8.3%。【结果】 在一般环境下,利用超像素和颜色特征的麦穗自动统计方法可以快速准确地对大田小麦进行穗数计算,长势过弱以及差异过大区域不推荐使用,研究结果为小麦大田估产提供了新的参考。     

基于多列空洞卷积神经网络的麦穗计数方法研究

田间麦穗计数因主要依靠人工而存在耗时长、成本高等问题,为提高麦穗计数的效率和准确性,提出基于人群计数卷积神经网络的麦穗计数方法,在图像基础上进行麦穗数量自动化计数.试验改进了现有人群计数模型中的多列卷积神经网络MCNN和空洞卷积神经网络CSRNet,并对MCNN和CSRNet进行融合,建立了多列卷积神经网络MCSRNe...     

基于卷积神经网络的小麦产量预估方法

小麦产量是评估农业生产力的重要指标之一,针对小麦产量人工预估困难,提出将卷积神经网络运用于小麦产量预估,为农业生产力的预估提供参考,指导农业生产管理决策。利用无人机分别在河南省新乡、漯河两地进行图片采集,并以之构建麦穗数据集,分为正样本(麦穗)和负样本(叶子和背景)。针对小麦常规的生理形态和生长环境,设计卷积神经网络识别模型,以图像金字塔构建多尺度滑动窗口,以非极大值抑制(NMS)去除重叠率较高的目标框,实现对单位面积内麦穗的计数,并利用随机采样的方式对大田麦穗进行单位面积图像采样,以采样图像中麦穗数量的平均值作为产量预估基准,进一步实现麦穗产量预估。随机抽取100幅不同小麦图片进行测试,与人工计数结果进行对比,准确率达到97.30%,漏检率为0.34%,误检率为2.36%,误差率为2.70%。试验结果表明,此方法能够克服环境中的多种噪声干扰,能够在不同光照条件下对麦穗进行计数和产量预估。     

基于小麦穗部小穗图像分割的籽粒计数方法

[目的]小麦穗部小穗数及籽粒数能够直接反映小麦产量,也是小麦穗表型研究中2个非常重要的参数。[方法]为了快速测量这2个参数,针对小麦穗部正视图像,提出了一种基于图像处理技术的小麦小穗抛物线分割方法,并实现了小穗数及籽粒数的同步识别计数。首先采用图像预处理算法获得麦穗二值图像,然后将二值图像沿穗轴方向的像素按行求和,根据行像素求和曲线图中波峰波谷确定所需要的小穗3个位置点,由小穗3个位置点在二值图像上确定三点拟合抛物线,最后运用抛物线位置分割出各小穗,同时通过阈值法确定各小穗面积值与其籽粒数之间的关系。[结果]使用3个品种小麦穗图像对小穗数及籽粒数识别方法进行验证,结果表明:采用该方法 3个品种小麦穗部小穗数识别的平均零误差率为68.16%,平均绝对误差为0.46,平均相对误差为2.99%,对比已有文献识别小穗数方法,识别精度显著提高;3个品种小麦穗部籽粒数识别的平均绝对误差为2.11,平均相对误差为5.62%;3个品种单株麦穗平均测量时间为7.99 s。[结论]运用本方法可以快速高精度地对小麦穗部小穗数及籽粒数进行自动计数。     

基于深度学习的番茄苗分级检测研究

分级是保证工厂化穴盘育苗质量的重要环节，本文根据番茄穴盘苗分级检测过程存在智能化水平低的问题，基于Darknet框架YOLOv3-Tiny卷积神经网络进行了算法改进。改进的算法进行了K-Means++聚类，增加YOLO检测层的数量，引入不同的SPP结构和CIOU损失函数。实验表明，与YOLOv3-Tiny算法相比，改进的YOLOv3-Tiny算法对番茄苗分级检测的mAP指标提高了9.8%，对壮苗的检测准确率为98.1%，无苗的检测准确率为94.80%，弱苗的检测准确率为93.62%。该算法能够对番茄苗的分级检测起到良好效果，为番茄穴盘苗高效识别提供了参考。     

基于YOLOv5的小麦种子发芽检测方法研究

种子发芽试验是检验作物品质的重要环节。为提高种子发芽检测效率，实现种子发芽检测自动化，以小麦为研究对象，通过机器视觉技术结合深度学习方法，构建基于YOLOv5的种子发芽判别的模型，在此基础上通过小麦7 d发芽试验图像组合分析，设计一套基于YOLOv5的种子发芽检测改进判别方法(DB-YOLOv5),实现对小麦种子发芽率、发芽势、发芽指数、平均发芽天数的快速检测，并开展检测试验。结果表明，YOLOv5模型对小麦种子发芽判别精确率为92.5%,DB-YOLOv5模型对小麦种子发芽判别精确率为98.5%,发芽势、发芽指数、平均发芽天数与人工检测误差为0.5%、2.39、0.1 d。上述结果表明，DB-YOLOv5模型可实现对小麦种子发芽率、发芽势、发芽指数、平均发芽天数的快速检测，为农作物种子发芽快速检测提供参考。     

11%氰·唑酮EC对小麦穗蚜及白粉病的防治效果试验

通过以11%氰.唑酮EC连续2年2地药效试验表明,该药剂施用7d后对小麦穗蚜及白粉病的防治效果分别达95.2%和72.5%,小麦增产幅度为12.7%-13.2%。     

赣榆县小麦穗期病虫害防治技术

小麦穗期是小麦最终形成产量的时期,又是多种病虫集中发生危害盛期,一旦病虫危害即会造成不可挽回的损失。因此。小麦穗期是小麦病虫草害综合防治的最后一环,也是防治田间病虫害的关键时期。总结了小麦穗期病虫害发生特点,提出了防治技术措施。     

从2013年小麦穗部冻害看调整小麦种性布局的重要性

[目的]从2013年小麦穗部冻害角度出发,分析调整小麦种性布局的重要性。[方法]介绍了淮北地区2012年小麦播种和生长发育情况,分析了该地区1990年以来小麦穗部冻害发生情况,并从2013年小麦穗部冻害出发有针对性地提出了防御对策。[结果]不同种性的小麦品种遇到低温寒流受冻程度不同,冬性和半冬性(偏冬)小麦品种抗寒能力比春性和偏春的半冬性品种强,受冻程度相对较轻。[结论]生产上应扩大冬性和偏冬的半冬性小麦品种的播种面积,提高抗御小麦穗部冻害的能力。     

11%氰·唑酮EC对小麦穗蚜及白粉病的防治效果试验

通过以11%氰.唑酮EC连续2年2地药效试验表明,该药剂施用7d后对小麦穗蚜及白粉病的防治效果分别达95.2%和72.5%,小麦增产幅度为12.7%-13.2%。     

改进分量法的麦穗图像灰度—二值化处理

单位面积麦穗数是小麦产量预测中的一个重要参数,应用图像处理技术识别出麦穗的个数是测产的关键.本文提出改进G分量法,对图像上麦穗像素点的绿色分量值进行增强,然后灰度—二值化处理,使麦穗从背景中分隔开,并与普通分量法、最大值法和加权平均法处理后的图像进行了比较.随机选取50幅麦穗图像样本,分别使用上述几种方法处理,改进分量法比其他3种方法耗时分别降低了51.29％、70.68％和61.01％,同时后续的中值滤波用时也至少降低了11.45％.实验结果表明,改进分量法是有效的.     

中低毒杀虫剂防治小麦穗蚜试验

一、材料与方法(一)供试药剂10%吡虫啉(imidacloprid)WP(山东泰诺药业有限公司),3%啶虫脒(acetaniprid)WP(山东聊城市鲁西圣力化工有限公司),4.5%高效氯氰菊酯(alphacypermethrin)EC(天津市华宇农药有限公司)。(二)供试作物小麦(wheat)。(三)防治对象小麦穗蚜(wheataphidat-spike)。小麦穗蚜主要为麦长管蚜     

基于YOLOv3-CIoU的松材线虫病树检测方法研究

松材线虫病被称为松树的癌症,及时发现并处置松材线虫病树是防止疫情扩散的重要手段。人工踏查、遥感影像等手段难以有效满足复杂林区疫情监测的需求。为快速、准确发现松材线虫病树,提高处置效率,本文提出了一种基于改进YOLOv3算法的松材线虫树检测方法。首先,使用小型无人机机载高分辨率数码相机在不同空间位置采集松材线虫病树图像并构建Pascal VOC数据集;随后针对YOLOv3算法存在训练过程IoU置空、平均损失下降缓慢等问题,提出了改进的YOLOv3-CIoU方法,使算法训练快,在小数据量时即实现高精度检测;最后通过高性能计算平台对改进的YOLOv3-CIoU模型进行训练测试,并与其他方法进行对比分析。结果表明:改进后的YOLOv3-CIoU模型在测试集上准确率达98.88%,较YOLOv3算法提升5%以上;在移动终端上平均单张图像检测速度为0.32 s,较改进前提升13%。与Faster R-CNN、SSD等方法相比,改进算法在模型检测准确率、缩短模型训练时间、目标边缘框定精度等方面也有较大提升。因此,改进后的YOLOv3-CIoU模型在多个评估指标中具有良好的性能,可有效提高松材线虫病树检测效率,对降低松材线虫病树监测投入,保障林区防疫监测精准高效具有重要的实际意义。     

基于改进YOLOv5网络的疏果前苹果检测方法

为了实现自然环境下疏果前苹果的快速识别和精确定位，满足果园智能化种植需求，提出了一种基于改进的YOLOv5深度学习的检测模型。首先，为了解决苹果的尺度大小不一带来的问题，改进目标检测层，在YOLOv5的第17层之后对特征图进行上采样，在第20层将网络提取到的特征图与Backbone网络中的第2层特征图进行融合操作，以生成不同尺寸的检测层。其次，为了克服复杂环境的影响，改进特征融合网络，使用BiFPN(Bidirectional Feature Pyramid Network))进行特征融合，来更有效地提取目标信息。最后，将采集到的苹果图像进行不同网络模型检测效果对比试验。试验表明，改进的模型经过8 274幅图像训练，在2 759幅测试集上的检测准确率为94.2%,召回率为95.2%,F₁值为94.7%;相比YOLOv3、YOLOv4、原YOLOv5网络，准确率分别提高了4.4%、7.0%、2.3%,F₁值分别提高6.1%、6.5%、2.6%;相比YOLOv3、YOLOv4网络，图像的检测速度分别提高了13.5、21.4 ms/幅。结果表明，在...     

基于 YOLOv5s 和 Android 的苹果树皮病害识别系统设计

【目的】针对果园多种苹果树皮病害实时检测的需求,设计基于 Android 的苹果树皮病害识别 APP 以便进行果园精准管理。【方法】通过网络查找和实地拍摄收集轮纹病、腐烂病、干腐病 3 种病害的图片 数据,经扩增和标注后按照 8 ∶ 2 比例进行训练集和测试集的划分。使用 YOLOv5s 算法训练苹果树皮病害识别 网络模型,对训练得到的轻量级网络模型进行 Android 端部署,并设计相应 APP 界面,实现对轮纹病、腐烂病、 干腐病的快速诊断。【结果】训练后得到的深度学习网络模型识别效果良好,准确率稳定在 88.7%,召回率稳 定在 85.8%,平均精度值稳定在 87.2%。其中腐烂病准确率为 93.5%,干腐病准确率为 88.2%,轮纹病准确率为 84.3%。将其在 Android 端部署后,每张病害图片处理时间均小于 1 s,检测置信度为 87.954%。该轻量级识别系 统不仅实现了 3 种病害的快速检测,也保证了较高的识别精度。【结论】YOLOv5s 网络权重模型小,能够轻松 实现 Android 端的部署,且基于 YOLOv5s 设计的 APP 操作简单、检测精度高、识别速度快,可以有效辅助果园 精准管理。