| 基于深度残差网络的麦穗回归计数方法 |
| |
| 引用本文： | 刘航,刘涛,李世娟,李路华,吕纯阳,刘升平.基于深度残差网络的麦穗回归计数方法[J].中国农业大学学报,2021,26(6):170-179. |
| |
| 作者姓名： | 刘航 刘涛 李世娟 李路华 吕纯阳 刘升平 |
| |
| 作者单位： | 中国农业科学院 农业信息研究所, 北京 100081;扬州大学 农学院, 江苏 扬州 225009 |
| |
| 基金项目： | 中国农业科学院科技创新工程项目(CAAS-ASTIP-2020-AII)；中央级公益性科研院所基本科研业务费专项(Y2020XK07、JBYW-AII-2020-10) |
| |
| 摘 要： | 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。
|
| 关 键 词： | 麦穗 计数 密度回归 残差网络 |
| 收稿时间： | 2020/9/21 0:00:00 |
Research on wheat ear regression counting based on deep residual network |
| |
| LIU Hang,LIU Tao,LI Shijuan,LI Luhu,LV Chunyang,LIU Shengping.Research on wheat ear regression counting based on deep residual network[J].Journal of China Agricultural University,2021,26(6):170-179. |
| |
| Authors: | LIU Hang LIU Tao LI Shijuan LI Luhu LV Chunyang LIU Shengping |
| |
| Institution: | Institute of Agricultural Information, Chinese Academy of Agricultural Sciences, Beijing 100081, China;College of Agriculture, Yangzhou University, Yangzhou 225009, China |
| |
| Abstract: | |
| |
| Keywords: | wheat ear counting density map regression residual network |
| 本文献已被 CNKI 等数据库收录！ |
| 点击此处可从《中国农业大学学报》浏览原始摘要信息 |
| 点击此处可从《中国农业大学学报》下载免费的PDF全文 |
|
