面向大豆植株考种的多目标跟踪算法研究

作     者：郭瑞 

作者单位：山东大学 

学位级别：硕士

导师姓名：赵永健;贺红

授予年度：2021年

学科分类：08[工学] 080203[工学-机械设计及理论] 09[农学] 0802[工学-机械工程] 0901[农学-作物学] 

主      题：大豆植株考种 大豆单株豆荚检测 YOLOv4 多目标跟踪 DeepSORT 

摘      要：大豆是人类摄取优质蛋白质以及食用油脂的重要来源之一。近年来,我国对大豆的需求量随着人口增多而急剧增加,但大豆供应却很大部分依赖进口,严重威胁着国家粮食安全。因此,实现国内大豆的优质增产刻不容缓。识别分析大豆植株表型性状是大豆考种的一种重要方式,对提高大豆单产具有重要意义。目前,大豆植株考种主要依靠传统的人工方式,对表型性状的识别主要面向豆荚种类检测与分枝数量研究,尚无有效的大豆单株种粒数预测方法。本文以收获后的东北大豆植株为研究对象,利用大豆单株表型测量仪采集大豆植株旋转视频,参与设计出一种面向大豆植株考种的多目标跟踪(Multi-Object Tracking,MOT)框架,进而实现了大豆单株豆荚跟踪与大豆种子数量的自动化预测,为评估不同品种大豆的产量提供了可靠依据。本文主要完成了以下工作:(1)将工业相机、可调节植株夹持结构、机械臂和息影灯等进行有机组合,参与设计并制作出一款大豆单株表型测量仪,采集了 2020年收获的不同品种的东北大豆植株,共获得700多个双株旋转视频。依次通过图像裁剪算法、图像格式转换算法和LabelImg手工标注,制作了目标检测(Object Detection,OD)与跟踪数据集。(2)基于YOLOv4模型,引入k-means聚类算法和改进的注意力模块,提出Improved-YOLOv4模型,实现了大豆单株豆荚数的有效预测。经过大量实验对比发现,本文检测模型的平均准确率相较于YOLOv4提升了 5.67%,在扩充数据集上达到84.37%,在摆盘数据集中达到99.1%,大幅度提升了检测精度,同时验证了模型的鲁棒性与泛化能力。(3)基于DeepSORT模型,提出多类别豆荚跟踪模型MBI-DeepSORT。融合改进的YOLOv4模型,基于迁移学习的思想对深度表观特征豆荚重识别(Bean Re-identification,B-ReID)进行训练,最终添加多类别跟踪与计数模块,实现了大豆单株豆荚跟踪与大豆种子数量统计的功能,为人工智能育种提供了新的思路与方法,完成了大豆单株考种的核心工作之一。本文通过目标检测与多目标跟踪相关技术,设计出一种大豆单株豆荚检测、跟踪与计数为一体的新框架,完成了大豆植株考种的初步实验,有效缓解了传统考种方式中费时费力且误差较大等问题,为育种专家评估不同品种大豆产量提供了可靠的数据依据,为大豆植株自动化考种提供了有效的先验性方法。