基于改进Faster R-CNN的田间植株幼苗检测方法

为了准确检测田间植株幼苗,以实现植株幼苗的精准喷药施肥,提出了一种基于改进Faster R-CNN的植株幼苗检测方法。以Faster R-CNN结构为基础设计植株幼苗检测网络,将ResNet50网络作为共享卷积层,并将Dropout层引入到Fast R-CNN网络的全连接层之间,用月季苗图像对网络进行训练生成模型。结果表明,改进的Faster R-CNN模型对月季苗的检测准确度可达96.5%,召回率达到95.35%,而且对其他种类植株幼苗如玫瑰和番茄幼苗也具有良好的检测能力。改进的网络模型的泛化能力强,收敛速度快,有助于自动化植保机械的研发。

基于机器视觉的玉米幼苗叶面积检测装置设计及试验

为了实现玉米幼苗叶面积的快速、无损、实时、高效检测,设计并搭建了基于机器视觉的玉米幼苗叶面积检测装置。该检测装置由框架、光源装置、顶升旋转系统、图像采集及分析系统、检测装置控制系统等部分组成,通过各部分协作完成玉米幼苗顶视图像与侧视图像的实时采集及分析处理,计算玉米幼苗的叶面积。以玉米幼苗为试验对象对装置性能进行测试,试验结果显示:在装置满载情况下,当相机在X方向和Y方向的移动速度分别为830、32 mm/s时,顶视图模式和侧视图模式下检测装置的平均运行时间分别为190、355 s,检测总耗时为545 s,单株玉米幼苗的平均用时为34 s,相机的平均定位准确率分别为92%和90%,相机定位精度较高;玉米幼苗顶视图、主视图和左视图叶面积与实际叶面积的Pearson相关系数分别为0.901、0.767和0.786,装置检测的玉米幼苗叶面积与实际叶面积相关性强,装置可以满足批量检测玉米幼苗叶面积的需要。

基于改进YOLO的玉米幼苗株数获取方法

为快速准确获取玉米幼苗株数、评估播种质量、进行查缺补苗等管理,对YOLO算法进行改进,提出了一种基于特征增强机制的幼苗获取检测模型(FE-YOLO),实现了对玉米幼苗株数的快速获取。该方法根据玉米幼苗目标尺寸和空间纹理特征,构建了基于动态激活的轻量特征提取网络,融合了多感受野和空间注意力机制。实验表明:FE-YOLO模型增强了幼苗空间特征、降低了网络复杂度,使模型的m AP和召回率分别达到87.22%和91.54%,每秒浮点运算次数和检测推理时间仅为YOLO v3的7.91%和33.76%。FE-YOLO能够实现无人机正射影像的玉米幼苗株数获取和种植密度估算,该模型复杂度低、识别精度高,能够为玉米苗期管理提供技术支持。