基于深度卷积神经网络的田间麦穗密度估计及计数

作     者：鲍文霞 张鑫 胡根生 黄林生 梁栋 林泽 Bao Wenxia;Zhang Xin;Hu Gensheng;Huang Linsheng;Liang Dong;Lin Ze

作者机构：安徽大学农业生态大数据分析与应用技术国家地方联合工程研究中心合肥230601 

出 版 物：《农业工程学报》 (Transactions of the Chinese Society of Agricultural Engineering)

年 卷 期：2020年第36卷第21期

页      面：186-193,F0003页

核心收录：

学科分类：0710[理学-生物学] 08[工学] 080203[工学-机械设计及理论] 0802[工学-机械工程] 0801[工学-力学（可授工学、理学学位）] 

基　　金：国家自然科学基金(61672032,41771463) 安徽省高等学校自然科学研究重点项目(KJ2019A0030) 农业生态大数据分析与应用技术国家地方联合工程研究中心开放课题项目(AE2018009)资助。 

主　　题：卷积神经网络 机器视觉 密度图估计 麦穗计数 拥挤场景识别网络 迁移学习 

摘      要：小麦的最终产量可由单位面积的小麦麦穗数侧面反映,为了快速准确统计小麦麦穗数,该研究给出一种在单幅图像上利用深度卷积神经网络估计田间麦穗密度图并进行麦穗计数的方法。首先对采集的田间小麦图像进行直方图均衡化及阈值分割预处理,以减少图像中光照及一些复杂背景对计数的影响;然后根据灌浆期田间小麦图像麦穗密集的特点,引入拥挤场景识别网络(Congested Scene Recognition Network,CSRNet)构建麦穗密度图估计模型,并采用迁移学习方法,利用小麦图像公开数据集对模型进行预训练,再用所采集的小麦图像数据集进行模型参数调整和优化;利用得到的模型生成单幅小麦图像的麦穗密度图,根据密度图中所有密度值的总和对图像进行麦穗计数。最后根据对单幅麦穗图像的试验数据,构建田间麦穗计数函数模型,实现田间小麦麦穗数估计。通过对所采集的安农170、苏麦188、乐麦608和宁麦24这4个品种共296幅小麦图像进行试验,平均绝对误差(Mean Absolute Error,MAE)和均方根误差(Root Mean Squared Error,RMSE)分别为16.44和17.89,4个品种小麦的麦穗计数值与真实值的决定系数R^2均在0.9左右,表明该方法对单幅图像小麦麦穗计数精度较高。此外,通过对田间小麦麦穗数进行估计试验,结果表明,随面积的增大麦穗估计的误差越小,研究结果可以为小麦的产量自动估计提供参考。