基于无人机图像的小麦麦穗自动识别方法研究

小麦麦穗智能识别在产量预估、种子筛选、农田密度估计等方面具有一定的科研价值和应用价值。传统的麦穗识别方法效率低且浪费人力,因此提出以无人机高清图像为数据源,基于卷积神经网络建立Mask-RCNN深度神经网络的小麦麦穗自动识别模型,以平均精准均值(Mean Average Precision,MAP)和预测准确率(Precision)作为模型的评价指标。实验结果表明,Mask-RCNN麦穗识别模型的MAP达到72.32%,准确率达到95.2%,说明基于Mask-RCNN的麦穗识别模型是一种高效准确的识别方法,具有一定的实用价值。

基于卷积神经网络的田间麦穗检测方法研究

为提高卷积神经网络对麦穗的识别检测精度,在YOLOv5检测模型基础上提出改进的识别检测模型YOLOv5-αTB,在特征提取网络末端部分加入Transformer模块,强化特征提取网络对小麦麦穗图像的颜色、纹理、几何等特征的提取,在特征融合部分将路径聚合网络(path aggregation network,PANet)替换成加权双向特征金字塔(bidirectional feature pyramid network,BiFPN),进一步优化多尺度特征的融合。针对边界框回归损失函数的计算方式IoU的局限性,引入了α-CIoU加强了边界框回归的效果。利用YOLOv5-αTB检测模型在测试集上得到的精确度(precision)、召回率(recall)和平均精度(average precision,AP)分别是99.95%、81.86%和88.64%,在平均精度上相比于传统的YOLOv5模型提升2.92个百分点。该模型检测统计麦穗数量对比人工计数结果,识别检测精度约为97.00%。