| 复杂大田场景中麦穗检测级联网络优化方法 |
| |
| 引用本文： | 谢元澄,何超,于增源,沈毅,姜海燕,梁敬东.复杂大田场景中麦穗检测级联网络优化方法[J].农业机械学报,2020,51(12):212-219. |
| |
| 作者姓名： | 谢元澄 何超 于增源 沈毅 姜海燕 梁敬东 |
| |
| 作者单位： | 南京农业大学信息科学技术学院,南京210095;南京农业大学信息科学技术学院,南京210095;南京农业大学国家信息农业工程技术中心,南京210095 |
| |
| 基金项目： | 国家重点研发计划项目(2016YFD0300607)、江苏省重点研发计划（现代农业）重点项目（BE2019383）和中央高校基本科研业务费自主创新重点项目(KYZ201550、KYZ201548) |
| |
| 摘 要： | 单位种植面积的麦穗数量是评估小麦产量的关键农艺指标之一。针对农田复杂场景中存在的大量麦芒、卷曲麦叶、杂草等环境噪声、小尺寸目标和光照不均等导致的麦穗检测准确度下降的问题，提出了一种基于深度学习的麦穗检测方法（FCS R-CNN）。以Cascade R-CNN为基本网络模型，通过引入特征金字塔网络（Feature pyramid network，FPN）融合浅层细节特征和高层丰富语义特征，通过采用在线难例挖掘(Online hard example mining, OHEM)技术增加对高损失样本的训练频次，通过IOU(Intersection over union)阈值对网络模型进行阶段性融合，最后基于圆形LBP纹理特征训练一个SVM分类器，对麦穗检出结果进行复验。大田图像测试表明，FCS R-CNN模型的检测精度达92.9%，识别单幅图像平均耗时为0.357s，平均精度为81.22%，比Cascade R-CNN提高了21.76个百分点。
|
| 关 键 词： | 麦穗计数 目标检测 Cascade R-CNN IOU级联 复杂场景 |
| 收稿时间： | 2020/3/17 0:00:00 |
Optimization Method for Cascade Network of Wheat Ear Detection in Complex Filed Scene |
| |
| XIE Yuancheng,HE Chao,YU Zengyuan,SHEN Yi,JIANG Haiyan,LIANG Jingdong.Optimization Method for Cascade Network of Wheat Ear Detection in Complex Filed Scene[J].Transactions of the Chinese Society of Agricultural Machinery,2020,51(12):212-219. |
| |
| Authors: | XIE Yuancheng HE Chao YU Zengyuan SHEN Yi JIANG Haiyan LIANG Jingdong |
| |
| Institution: | Nanjing Agricultural University |
| |
| Abstract: | |
| |
| Keywords: | |
| 本文献已被 万方数据 等数据库收录！ |
| 点击此处可从《农业机械学报》浏览原始摘要信息 |
| 点击此处可从《农业机械学报》下载免费的PDF全文 |
