复杂大田场景中麦穗检测级联网络优化方法

作     者：谢元澄 何超 于增源 沈毅 姜海燕 梁敬东 XIE Yuancheng;HE Chao;YU Zengyuan;SHEN Yi;JIANG Haiyan;LIANG Jingdong

作者机构：南京农业大学信息科学技术学院南京210095 南京农业大学国家信息农业工程技术中心南京210095 

出 版 物：《农业机械学报》 (Transactions of the Chinese Society for Agricultural Machinery)

年 卷 期：2020年第51卷第12期

页      面：212-219页

核心收录：

学科分类：08[工学] 080203[工学-机械设计及理论] 0802[工学-机械工程] 

基　　金：国家重点研发计划项目(2016YFD0300607) 江苏省重点研发计划(现代农业)重点项目(BE2019383) 中央高校基本科研业务费自主创新重点项目(KYZ201550、KYZ201548) 

主　　题：麦穗计数 目标检测 Cascade RCNN IOU级联 复杂场景 

摘      要：单位种植面积的麦穗数量是评估小麦产量的关键农艺指标之一。针对农田复杂场景中存在的大量麦芒、卷曲麦叶、杂草等环境噪声、小尺寸目标和光照不均等导致的麦穗检测准确度下降的问题,提出了一种基于深度学习的麦穗检测方法(FCS RCNN)。以Cascade RCNN为基本网络模型,通过引入特征金字塔网络(Feature pyramid network,FPN)融合浅层细节特征和高层丰富语义特征,通过采用在线难例挖掘(Online hard example mining,OHEM)技术增加对高损失样本的训练频次,通过IOU(Intersection over union)阈值对网络模型进行阶段性融合,最后基于圆形LBP纹理特征训练一个SVM分类器,对麦穗检出结果进行复验。大田图像测试表明,FCS RCNN模型的检测精度达92.9%,识别单幅图像平均耗时为0.357 s,平均精度为81.22%,比Cascade RCNN提高了21.76个百分点。