基于YOLOv3网络的小麦麦穗检测及计数

小麦(Triticum aestivum L.)麦穗检测及计数对小麦产量估计及育种至关重要,但传统小麦麦穗数量统计都是基于人工统计的方法或遥感预测等方法,效率低且准确率差。为解决上述问题,提出了基于YOLOv3的深度神经网络小麦检测方法。结果表明,YOLOv3在3种常见的小麦品种上检测平均精度mAP值为67.81%,麦穗计数准确率为93%,该方法可快速高效地检测特定标注框中的小麦麦穗。     

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。     

基于深度残差网络的玉米病害识别

针对人工诊断玉米病害成本高、效率低、时延长等问题,提出一种基于深度残差网络的玉米病害识别网络TFL-ResNet.TFL-ResNet网络基于ResNet50网络,首先引入Focal Loss损失函数使模型专注于难分类的病害样本,其次将ResNet50网络在PlantVillage数据集训练好的参数迁移到改进网络上以完...     

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。     

基于改进残差网络的水稻害虫识别

水稻害虫是影响水稻产量的因素之一,准确识别水稻害虫对提高水稻产量具有重要意义,针对水稻害虫识别准确率不高的问题,提出一种基于改进残差网络模型的水稻害虫识别方法。该模型是将动态路由胶囊结构嵌入残差网络深度卷积模型中,代替残差网络的全连接层,首先通过4个残差块得到特征图,将特征图进行胶囊化编码,其次进行层间路由,以减少卷积神经网络(CNN)在输出时丢失的大量信息。对水稻的14类害虫进行识别,并分析不同参数(学习率、批量大小、激活函数和优化组合)的影响。结果表明,提出的改进残差网络模型的准确率达到77.12%。模型满足水稻害虫图像识别的需求,具有一定的识别准确率及较强的鲁棒性,可为实际农业场景下水稻害虫识别提供可行的方案。     

基于多尺度注意力残差网络的桃树害虫图像识别

自然场景下拍摄的桃树害虫图像,不同种类的害虫个体之间存在尺寸大小差异以及害虫颜色与背景颜色相近的问题,影响害虫图像识别精度。针对以上问题,本文提出了一种基于多尺度注意力残差网络的桃树害虫图像识别模型。首先,将残差网络的第一层普通卷积替换为多尺度卷积,缓解了大卷积核对于小尺寸目标特征的不敏感性,增强多尺度害虫特征提取能力。其次,在残差结构中加入注意力机制选择性内核卷积单元,它通过自适应调整感受野重点提取害虫信息,产生有效感受,抑制背景干扰问题。实验结果表明,本文提出的模型识别准确率为93.27%,取得了较好的识别效果。     

基于多尺度特征提取深度残差网络的水稻害虫识别

【目的】在水稻生产过程中,针对不同虫害需要采用不同的防治方案,水稻害虫的准确识别分类是制定针对性防治方案的前提。【方法】采用深度学习结合机器视觉的方法,基于Res2Net结构提出了一种多尺度特征提取的深度残差网络,通过准确地提取害虫特征实现复杂自然背景下的水稻害虫识别;采用改进的残差结构,使用等级制的类残差连接取代了原本的3×3卷积核,增加了每个网络层的感受野,可以更细粒度地提取多尺度特征。【结果】本网络训练的模型能够有效地识别自然背景下的水稻害虫,在自建的包含22类常见水稻害虫的图像数据集上,平均识别准确率达到了92.023%,优于传统的ResNet、VGG等网络。【结论】本文提出的模型可应用于水稻虫情自动监测系统,为实现水稻害虫虫情的机器视觉监测提供参考。     

穗伴侣调理剂对小麦生长发育及产量的影响

为研究在始穗期应用穗伴侣调理剂对小麦抗倒性及产量的影响,以淮麦44为试验材料,开展了不同用量的穗伴侣对小麦株高、节长、节粗、壁厚、穗长、抗折力及产量性状的影响试验。结果表明：在小麦始穗期喷施穗伴侣750～1 500 mL/hm²可以使小麦株高下降1.7～3.3 cm、相对重心高度下降0.3～0.9 cm;穗茎节缩短0.5～1.8 cm,倒二节缩短0.1～0.3 cm;小麦穗茎节的茎粗增加0.29%～0.42%,倒二节和倒四节茎粗增加0.02%～0.09%;穗茎节壁厚增加0.87%,其他节间的壁厚也都有增加;小麦倒四节、倒五节的抗折力分别增加7.4%～19.4%、2.4%～14.5%;产量增加5.43%～7.95%。从抗倒增产的效果来看,建议在小麦始穗期喷施穗伴侣1 500 mL/hm²。     

基于Web Service的回归分析网络系统的研究

在研究多个自变量对多个因变量回归分析的数学模型和神经网络的基础上,给出了BP算法求解多元回归模型。采用JAVA程序设计语言,开发了基于Web Service的回归分析网络系统,实现了对回归参数和主要评估指标的预测。实际应用表明,利用该系统得到的拟合值精度较高,预测结果和实测结果吻合较好,可以用于解决预测领域中的多元回归问题。     

基于Faster R-CNN的大田玉米雄穗识别及抽穗期判定研究

目前田间玉米雄穗数量监测主要依靠人工进行,效率低且易出错.为了实现在复杂的田间环境下对玉米雄穗自动识别和计数的任务,使用无人机平台和田间作物表型高通量获取平台采集的田间玉米顶视图像构建数据集,使用Resnet 50作为新的特征提取网络代替原始的VGG 16来优化Faster R-CNN模型.再根据表型平台所获取的高时序、连续图像,进一步使用改进后的模型对试验小区内玉米抽穗期前后20 d的雄穗数量进行监测,以此为依据进行抽穗期判定.该方法在田间作物表型高通量平台获取的图像数据测试集中类平均精度为90.14％,平均绝对误差为4.7328;在无人机平台获取的图像数据测试集中类平均精度为82.14％,平均绝对误差为9.6948.试验结果表明:该模型在田间作物表型高通量获取平台上的检测结果优于无人机平台,且具备一定的应用价值.     

Detection and enumeration of wheat grains based on a deep learning method under various scenarios and scales

Grain number is crucial for analysis of yield components and assessment of effects of cultivation measures. The grain number per spike and thousand-grain weight can be measured by counting grains manually, but it is time-consuming, tedious and error-prone. Previous image processing algorithms cannot work well with different backgrounds and different sizes. This study used deep learning methods to resolve the limitations of traditional image processing algorithms. Wheat grain image datasets were collected in the scenarios of three varieties, six background and two image acquisition devices with different heights, angles and grain numbers, 1 748 images in total. All images were processed through color space conversion, image flipping and rotation. The grain was manually annotated, and the datasets were divided into training set, validation set and test set. We used the TensorFlow framework to construct the Faster Region-based Convolutional Neural Network Model. Using the transfer learning method, we optimized the wheat grain detection and enumeration model. The total loss of the model was less than 0.5 and the mean average precision was 0.91. Compared with previous grain counting algorithms, the grain counting error rate of this model was less than 3% and the running time was less than 2 s. The model can be effectively applied under a variety of backgrounds, image sizes, grain sizes, shooting angles, and shooting heights, as well as different levels of grain crowding. It constitutes an effective detection and enumeration tool for wheat grain. This study provides a reference for further grain testing and enumeration applications.     

基于残差网络与迁移学习的柑橘类型识别

传统的柑橘分类依靠人工进行辨识再手动完成分拣,整个过程耗费时间且成本高昂。对此提出了一种基于迁移学习与残差网络的柑橘图像分类方法。对Kaggle获取的20738张共8类柑橘的图像按7：3比例进行划分得到数据集。在此数据集上不同网络对于柑橘分类性能差异以及迁移学习对经典卷积模型在图像分类任务中的性能提升进行探究,实验以损失值、精准率、召回率等为性能评价指标。实验结果表明,在多种模型中,残差神经网络能获得比其他网络更高的准确率,使用迁移学习初始化网络参数能显著提高柑橘分类的准确度,降低模型过拟合的概率,实现对8类柑橘的准确识别分类,最终分类准确率达到99.9%,对柑橘分类具有指导意义。     

基于逐步回归法和BP神经网络模型的苹果产量预测

本文通过逐步回归法挑选出4个影响苹果产量的关键气象因子,并运用逐步回归法和BP神经网络建立苹果产量预测模型。通过检验,2种预测模型拟合效果均较好,均能够较好地预测今后苹果的产量趋势。其中BP神经网络模型预测有较高精度,但存在局限性。     

基于深度卷积神经网络的水稻田杂草识别研究

目的 利用深度卷积神经网络对水稻田杂草进行准确、高效、无损识别,得出最优的网络模型,为水稻田种植管理以及无人机变量喷施提供理论依据。方法 以水稻田杂草为主要研究对象,利用CCD感光相机采集杂草图像样本,构建水稻田杂草数据集(PFMW)。利用多种结构的深度卷积神经网络对PFMW数据集进行特征的自动提取,并进行建模与试验。结果 在各深度模型对比试验中,VGG16模型取得了最高精度,其在鬼针草、鹅肠草、莲子草、千金子、鳢肠和澎蜞菊6种杂草中的F值分别为0.957、0.931、0.955、0.955、0.923和0.992,其平均F值为0.954。在所设置的深度模型优化器试验中,VGG16-SGD模型取得了最高精度,其在上述6种杂草中的F值分别为0.987、0.974、0.965、0.967、0.989和0.982,其平均F值为0.977。在PFMW数据集的样本类别数量均衡试验中,无失衡杂草数据集训练出来的VGG16深度模型的准确率为0.900,而16.7%、33.3%和66.6%类别失衡的数据集训练的模型准确率分别为0.888、0.866和0.845。结论 利用机器视觉能够准确识别水稻田杂草,这对于促进水稻田精细化耕作以及无人机变量喷施等方面具有重要意义,可以有效地协助农业种植过程中的杂草防治工作。     

半干旱地区春小麦氮肥后效的研究

连续4年春小麦氮肥后效的大田试验结果表明:在连续2年(2003~2004年)施用纯氮52.5、105、157.5、210 kg/hm2后再连续2年(2005~2006年)停施氮肥,前2年未被利用的氮素可使后2年籽粒平均增产25.4%;干物质在五叶期及以后时期与对照相比均有明显增加;植株吸氮量在后续第1年(2005年)各处理平均增加22.4%,第2年(2006年)各处理平均增加14.0%;氮肥4年累计利用率比4年连续施用氮肥的处理提高了7.8%~12.9%.     

基于注意力残差机制的细粒度番茄病害识别

【目的】解决温室环境下细粒度番茄病害识别方法不足问题。【方法】以早、晚期5种番茄病害叶片为研究对象,提出一种基于注意力与残差思想相结合的新型卷积神经网络模型ARNet。通过引入多层注意力模块,层次化抽取病害分类信息,解决早期病害部位分散、特征难以提取难题;为避免网络训练出现退化现象,构建残差模块有效融合高低阶特征,同时引入数据扩充技术以防止模型过拟合。【结果】对44 295张早、晚期病害叶片数据集进行模型训练与测试的结果表明,与VGG16等现有模型相比,ARNet具有更好的分类表现,其平均识别准确率达到88.2%,显著高于其他模型。ARNet对早期病害识别准确率明显优于晚期病害,验证了注意力机制在提取细微区域特征上的有效性,且在训练过程中未发生过度抖动的状况。【结论】本文提出的模型具有较强鲁棒性和较高稳定性,在实际应用中可为细粒度番茄病害智能诊断提供参考。