基于深度学习ImCascade R-CNN的小麦籽粒表形鉴定方法

作     者：泮玮婷 孙梦丽 员琰 刘平 PAN Weiting;SUN Mengli;YUN Yan;LIU Ping

作者机构：山东农业大学机械与电子工程学院/智能化农业机械与装备实验室山东泰安271000 

出 版 物：《智慧农业（中英文）》 (Smart Agriculture)

年 卷 期：2023年第5卷第3期

页      面：110-120页

核心收录：

学科分类：081203[工学-计算机应用技术] 08[工学] 09[农学] 0835[工学-软件工程] 0901[农学-作物学] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

基　　金：山东省重点研发计划项目(2022LZGCQY002) 山东省自然科学基金重点项目(ZR2020KF002) 

主　　题：小麦育种 ImCascade R-CNN模型 籽粒完整性 语义分割 籽粒表形参数 深度学习 

摘      要：[目的/意义]培育优质高产的小麦品种是小麦育种的主要目标,而小麦籽粒完整性直接影响小麦育种进程。完整籽粒与破损籽粒的部分特征差异较小,是限制基于深度学习识别破损小麦籽粒精准度的关键因素。[方法]为解决小麦籽粒检测精度低的问题,本研究建立ImCascade R-CNN模型,提出小麦籽粒表形鉴定方法,精准检测小麦籽粒完整性、分割籽粒并获取完整籽粒表形参数。[结果和讨论]ImCascade R-CNN模型检测小麦籽粒完整性的平均精度为90.2%,与Cascade Mask R-CNN、Deeplabv3+模型相比,能更好地识别、定位、分割小麦籽粒,为籽粒表形参数地获取提供基础。该方法测量粒长、粒宽的平均误差率分别为2.15%和3.74%,测量长宽比的标准误差为0.15,与人工测量值具有较高的一致性。[结论]研究结果可快速精准检测籽粒完整性、获取完整籽粒表形数据,加速培育优质高产小麦品种。