基于深度学习的玉米植株表型检测方法研究

Study on phenotypic detection method for corn plants based on deep learning

为了实现单株玉米植株表型的快速无损检测,提出了一种基于深度学习的玉米植株表型检测方法。采集玉米植株表型数据集(包含多视角玉米植株图像和人工测量的鲜质量、干质量、叶面积表型数据),采用大步距卷积、resize降尺寸和大步距池化层降采样3种方法进行图像降采样,减少了模型计算消耗的资源,降低了图像的尺寸,并对比普通卷积、深度卷积、深度可分离卷积3种卷积的效果。改进了均方误差(MSE)和平均绝对误差(MAE),对不同数据量的样本区间给予不同的权重,解决了小型数据集存在的数据不均衡问题。在对比试验中,首先构建鲜质量表型检测模型,然后将表现较好的模型在干质量与叶面积模型中试验,筛选出对应的最优模型。结果显示,基于深度卷积和B-MSE损失函数的模型在玉米植株鲜质量、干质量、叶面积上的效果都最优。其中,深度卷积的效果最好。改进后的B-MSE和B-MAE在玉米鲜质量3个模型测试集上的相关系数r均达到了0.98以上,确定系数R 2均达到了0.97以上,平均绝对百分比误差MAPE均在3.2%以内,在干质量与叶面积模型上也提高了测试集上的相关系数r和确定系数R 2,并且降低了MAPE。