基于YOLO算法的大田谷穗检测方法研究

作     者：尉培岩 

作者单位：山西农业大学 

学位级别：硕士

导师姓名：张丽

授予年度：2021年

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

主      题：谷穗检测 目标检测 YOLO算法 

摘      要：谷穗检测的传统方法是人工观察,此方法效率低下、劳动强度大、主观性较强,检测准确率低;基于图像处理技术的谷穗检测,可以通过对谷穗的特征进行提取来识别谷穗,但容易受到光照、土壤等实地问题的影响,不能得到泛化的模型,且人为对谷穗的特征提取需要大量经验。针对以上问题,本文提出使用YOLO系列模型,对特定框中的大田谷穗进行快速高效地检测,在提升谷穗计数效率的同时也降低了研究人员在田间的工作量,满足对谷穗的计数要求,对谷子亩产量估计有一定的科研价值。本文的主要工作如下:（1）本文以山西农业大学谷子实验地种植的雄性不育系GBS为实验对象,采集了784张谷穗图像,构建了谷穗检测数据集。（2）本文通过对比YOLOv2、YOLOv3和YOLOv4这三种模型对谷穗的检测性能,验证了YOLOv4的优势;针对这三种模型,固定置信度得分,选取不同的IOU阈值对模型的检测性能进行研究,结果表明,这三种模型的性能随着IOU的增大呈下降趋势。（3）本文对YOLOv3和YOLOv4两种模型,从批处理数据的样本大小和锚定框大小这两方面研究对谷穗的检测性能。针对不同大小的批处理数据样本,实验结果表明批处理数据的样本大小会影响模型性能,且模型性能随着批处理样本的减小而增大;本文使用k-means聚类算法,生成了符合谷穗数据集的锚定框,修改了这两种网络原本的锚定框,修改后的模型性能优于原模型。（4）本文最后使用YOLOv5的四个版本,YOLOv5s、YOLOv5m、YOLOv5l和YOLOv5x分别对谷穗进行检测,在不过拟合的情况下,随着模型深度的增加,模型的检测性能越来越好;其次分析了不同IOU对这四种模型检测性能的影响,从0.2到0.5随着IOU阈值的增大,模型的检测性能在随之提升。实验结果表明,基于YOLO的神经网络可以有效检测特定框中的谷穗,是高效且准确的方法。