检索结果-南通市图书馆

基于TPH-YOLO的无人机图像麦穗计数方法

同方期刊数据库博看期刊评论

在线全文

学校读者我要写书评

暂无评论

农业工程学报 2023年第1期39卷 155-161页

作者：鲍文霞谢文杰胡根生杨先军苏彪彪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 中国科学院合肥物质科学研究院合肥230031

在无人机上安装光学传感器捕捉农作物图像是一种经济高效的方法,它有助于产量预测、田间管理等。该研究以无人机小麦作物图像为研究对象,针对图像中麦穗分布稠密、重叠现象严重、背景信息复杂等特点,设计了一种基于TPH-YOLO(YOLO with t... 详细信息

在无人机上安装光学传感器捕捉农作物图像是一种经济高效的方法,它有助于产量预测、田间管理等。该研究以无人机小麦作物图像为研究对象,针对图像中麦穗分布稠密、重叠现象严重、背景信息复杂等特点,设计了一种基于TPH-YOLO(YOLO with transformer prediction heads)的麦穗检测模型,提高无人机图像麦穗计数的精度。首先,为了减小光照不均匀对无人机图像质量造成的影响,该研究采用Retinex算法进行图像增强处理。其次,在YOLOv5的骨干网络中添加坐标注意力机制(coordinate attention,CA),使模型细化特征,更加关注麦穗信息,抑制麦秆、麦叶等一些背景因素的干扰。再次,将YOLOv5中原始的预测头转换为Transformer预测头(transformer prediction heads,TPH),该预测头具有多头注意力机制的预测潜力,可以在高密度场景下准确定位到麦穗。最后,为了提高模型的泛化能力和检测精度,采用了迁移学习的训练策略,先使用田间采集的小麦图像数据集对模型进行预训练,接着再使用无人机采集的小麦图像数据集对模型进行参数更新和优化训练,并在无人机采集的小麦图像数据集上进行了试验。结果表明,该研究方法精确率、召回率及平均精确率分别为87.2%、84.1%和88.8%,相较于基础的YOLOv5平均精确率提高4.1个百分点,性能优于SSD、Faster-RCNN、CenterNet、YOLOv5等目标检测模型。此外,该研究利用公开数据集Global Wheat Head Detection(GWHD)在不同目标检测模型上进行对比试验,该数据集的小麦样本是多样的和典型的,与SSD、Faster-RCNN、CenterNet和YOLOv5等模型相比,平均精确率分别提升11.1、5.4、6.9和3.3个百分点,进一步验证了该研究所提方法的可靠性和有效性,研究结果可以为小麦的产量预测提供支撑。

关键词：无人机图像处理麦穗计数 YOLOv5 注意力机制 transformer编码器迁移学习

一种基于改进YOLOv5s的麦穗检测计数方法

在线全文

学校读者我要写书评

暂无评论

南京农业大学学报 2024年

作者：仝召茂陈学海汪本福马志艳杨光友粮食作物种质创新与遗传改良湖北省重点实验室/农业农村部作物分子育种重点实验室湖北工业大学农机工程研究设计院湖北省农机装备智能化工程技术研究中心

[目的]为实现对田间麦穗的实时准确计数，本文提出一种基于改进YOLOv5s的麦穗检测计数方法。[方法]通过C2f模块获得更加丰富的梯度流，增强模型细粒度特征提取能力，并在网络关键部位引入CoordConv坐标卷积，加大对坐标信息关注程度，... 详细信息

[目的]为实现对田间麦穗的实时准确计数，本文提出一种基于改进YOLOv5s的麦穗检测计数方法。[方法]通过C2f模块获得更加丰富的梯度流，增强模型细粒度特征提取能力，并在网络关键部位引入CoordConv坐标卷积，加大对坐标信息关注程度，提升模型对麦穗位置的感知能力，同时考虑到麦穗检测任务中中小尺寸麦穗居多，采用Inner CIoU损失函数加快模型收敛速度。[结果]在公开数据集Global Wheat Head Detection(GWHD)上对上述方法进行试验，结果表明，本文所提模型的精确率、召回率、平均精度均值mAP0.5分别为93.5%、91.6%和95.9%，参数量、计算量、FPS分别为12.4 MB、27.5 GFLOPs和34 帧·s-1。[结论]本文所提模型在精确率、召回率、平均精度均值mAP0.5等指标上较原始YOLOv5s模型分别提升了1.0、1.2和1.3百分点，并且优于YOLOv7-tiny、YOLOv8s等模型，同时满足检测的实时性要求，此外，改进后模型在处理遮挡、重叠等复杂情况时都比原始模型表现更优，具有良好的鲁棒性。

关键词：麦穗计数估产作物表型 YOLO 目标检测

在线全文

同方期刊数据库

学校读者我要写书评

暂无评论

基于无人机图像的多尺度感知麦穗计数方法

农业工程学报 2021年第23期37卷 136-144页

作者：孙俊杨锴锋罗元秋沈继锋武小红钱磊江苏大学电气信息工程学院镇江212000

小麦是世界上重要的粮食作物,其产量的及时、准确预估对世界粮食安全至关重要,小麦穗数是估产的重要数据,因此该研究通过构建普适麦穗计数网络(Wheat Ear Counting Network,WECnet)对灌浆期小麦进行精准的计数与密度预估。选用多个国家... 详细信息

小麦是世界上重要的粮食作物,其产量的及时、准确预估对世界粮食安全至关重要,小麦穗数是估产的重要数据,因此该研究通过构建普适麦穗计数网络(Wheat Ear Counting Network,WECnet)对灌浆期小麦进行精准的计数与密度预估。选用多个国家不同品种的麦穗图像进行训练,并且对数据集进行增强,以保证麦穗多样性。在原始人群计数网络CSRnet基础上,针对小麦图像特点构建WECnet网络。在网络前端,通过使用VGG19的前12层进行特征提取,同时与上下文语义特征进行融合,充分提取麦穗的特征信息。后端网络使用不同空洞率的卷积加大感受野,输出高质量的密度图。为了验证模型的可迁移性与普适性,该研究通过基于全球小麦数据集训练好的模型对无人机实拍的麦田图像进行计数。试验结果表明:在全球小麦数据集上,WECnet训练模型的决定系数、均方根误差(Root Mean Square Error,RMSE)与平均绝对误差(Mean Absolute Error,MAE)分别达到了0.95、6.1、4.78。在无人机拍摄图像计数中,决定系数达到0.886,整体错误率仅为0.23%,平均单幅小麦图像计数时间为32 ms,计数速度与精度均表现优异。普适田间小麦计数模型WECnet可以对无人机获取图像中小麦的准确计数及密度预估提供数据参考。

关键词：无人机图像识别麦穗计数卷积神经网络高质量密度图多尺度感知线性滤波

基于改进K-means聚类算法的大田麦穗自动计数

在线全文

学校读者我要写书评

暂无评论

农业工程学报 2019年第3期35卷 174-181页

作者：刘哲黄文准王利平西京学院信息工程学院西安710123

单位种植面积的小麦麦穗数量是评估小麦产量和小麦种植密度的一个重要参量。为了实现高效、自动地麦穗计数,该文提出了基于改进K-means的小麦麦穗计数方法。该方法建立从图像低层颜色特征到图像中包含麦穗的一个直接分类关系,从而不需... 详细信息

单位种植面积的小麦麦穗数量是评估小麦产量和小麦种植密度的一个重要参量。为了实现高效、自动地麦穗计数,该文提出了基于改进K-means的小麦麦穗计数方法。该方法建立从图像低层颜色特征到图像中包含麦穗的一个直接分类关系,从而不需要再对图像进行分割或检测。以颜色特征聚类为基础的这种方法能够估计麦穗在空间局部区域中数量,并且在不需要训练的情况下更具有可扩展性。统计试验结果表明,该文算法能够适应不同光照环境,麦穗计数的准确率达到94.69%,超过了传统基于图像颜色特征和纹理特征分割的麦穗计数方法 93.1%的准确率。

关键词：图像分割图像处理算法麦穗计数 K-means 聚类

在线全文

学校读者我要写书评

暂无评论

基于深度学习的麦穗计数方法研究

基于深度学习的麦穗计数方法研究

作者：沈志豪南阳师范学院

学位级别：硕士

为保证国家粮食安全、制定合理的粮食价格及宏观调控政策,需要及时、准确地预测、估算农作物的预期产量。估算小麦产量的重要指标之一就是单位面积穗数,如何准确检测单位面积内穗数对于农业生产管理决策有着重要的指导作用。传统单位面... 详细信息

为保证国家粮食安全、制定合理的粮食价格及宏观调控政策,需要及时、准确地预测、估算农作物的预期产量。估算小麦产量的重要指标之一就是单位面积穗数,如何准确检测单位面积内穗数对于农业生产管理决策有着重要的指导作用。传统单位面积穗数的统计,通常由人工进行麦穗计数,结果较为准确,但是人力资源开销大,费时费力。为了解决这个问题,本文基于深度学习的目标检测,针对田间小麦计数的问题进行了深入研究,提出了一套基于深度学习的田间麦穗计数系统,提高了实际生产中麦穗计数效率与准确率,降低了人工成本,为实际生产中的自动化、智能化管理提供参考。本文具体内容如下:1.首先通过GWHD网站搜集小麦图像与实地拍摄田间麦穗图像建立小麦图像数据集。然后,通过图像分割、图像标注、数据增强等图像处理技术进行图像预处理,防止数据不平衡、图像噪声等问题对模型训练造成影响。最后使用Labelimg图像标注软件对数据进行标注,标注完成后将图像数据制作成VOC2012数据集格式进行模型训练。2.根据目标检测单双阶段的不同,基于Pytorch深度学习框架,搭建了 YOLOX网络模型和Faster R-CNN网络模型,并针对麦穗检测任务对这两个网络进行优化调整。在YOLOX网络模型backbone中引入注意力机制来提高网络对密集麦穗的关注度,解决麦穗形态小,特征提取复杂的问题,对模型的骨干网络SPP部分进行改进,并优化模型结构,提升网络训练速度与预测精度。调整预测阶段的策略,使用Soft-NMS对有重叠的目标进行预测。3.在Faster R-CNN目标检测算法中,通过聚类的方式修改了模型的Anchor box,大幅缓解了真实边界框与模型预测边界框尺寸差距过大造成检测精度低的问题。并在麦穗检测任务的训练中使用迁移学习技术,通过先冻结后解冻的训练方式来加速模型拟合速度,同时提升模型的泛化性。从实验结果看,本文所进行改进的模型性能均优于初始模型的性能。4.根据改进的网络模型设计了麦穗检测系统,主要有图像检测与视频动态检测的两个方面功能,实现了上传大田麦穗图片实时得出计数结果的功能,有助于不同人群对该方面的学习与研究,为用户提供更好的使用体验和小麦生产管理带来便捷。

关键词：目标检测麦穗计数 YOLOX Faster R-CNN 实时检测系统

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于深度学习的小麦麦穗检测与计数方法研究

基于深度学习的小麦麦穗检测与计数方法研究

作者：曹藤宝贵州大学

学位级别：硕士

小麦是我国最重要的口粮之一,小麦的产量直接关系到国家粮食安全和社会稳定。在小麦的产量预测中,麦穗的数量是直接影响小麦产量的重要因素之一。此外,小麦在育种之前需要获取其表型特征,观察麦穗的优良性状。因此,研究高效、准确的麦... 详细信息

小麦是我国最重要的口粮之一,小麦的产量直接关系到国家粮食安全和社会稳定。在小麦的产量预测中,麦穗的数量是直接影响小麦产量的重要因素之一。此外,小麦在育种之前需要获取其表型特征,观察麦穗的优良性状。因此,研究高效、准确的麦穗检测与计数方法对于小麦的产量预测、育种等具有重要意义。本文以田间小麦图像中的麦穗为目标,使用深度学习方法实现对小麦麦穗的检测和计数,设计并实现了小麦麦穗检测与计数系统。主要工作如下:(1)完成了小麦公共数据集的重构。从全球小麦头部检测(Global Wheat Head Detection,GWHD)数据集中筛选出1000张高清小麦图像,逐张排除了麦穗数量极少、麦穗幼年期的小麦图像。使用图像灰度化、图像雾化两种数据增强算法将数据集图片数量扩充至2000张,共包含90675个麦穗标签。(2)提出了一种基于改进YOLOv5m的麦穗目标检测与计数模型。使用密集连接的方法重构了YOLOv5m网络的跨阶段局部网络(Cross Stage Partial,CSP)结构,增强网络的信息流传递。添加改进的卷积注意力模块(Convolutional Block Attention Module,CBAM),增加网络对有效特征的获取能力。针对麦穗目标较小的情况,在网络中设计了一个160×160大小的检测头,用于增强网络对小目标的检测能力。实验结果表明,相较于原始的YOLOv5m网络,改进的YOLOv5m网络检测精度m AP提高2.67%,计数误差MAE和RMSE分别降低了1.55和2.5。(3)提出了一种轻量化改进的麦穗检测与计数模型。以YOLOv5s网络为基础模型,使用倒残差结构(Inverted Residuals)、Ghost Bottleneck模块、Ghost Module轻量化卷积模块和改进的CBAM注意力机制对网络进行了轻量化改进。实验结果表明,相较于原始的YOLOv5s网络,改进的YOLOv5s网络检测精度m AP提升了1.08%,参数量降低了1.87M,计数误差MAE和RMSE分别降低了2.56和3.4。(4)小麦麦穗检测与计数系统的设计与实现。基于Android开发了一个小麦麦穗检测与计数系统,部署在移动端设备上,能够根据用户上传的小麦图片对麦穗自动识别与计数,可以为田间小麦检测与计数工作提供一定帮助。

关键词：麦穗计数目标检测深度学习轻量化系统设计

基于多列空洞卷积神经网络的麦穗计数方法研究

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

吉林农业大学学报 2021年第2期43卷 171-180页

作者：刘云玲张品戈王千航周睿琪赵佳肖永贵马韫韬中国农业大学信息与电气工程学院北京100083 中国农业科学院作物科学研究所北京100081 中国农业大学土地科学与技术学院北京100193

田间麦穗计数因主要依靠人工而存在耗时长、成本高等问题,为提高麦穗计数的效率和准确性,提出基于人群计数卷积神经网络的麦穗计数方法,在图像基础上进行麦穗数量自动化计数。试验改进了现有人群计数模型中的多列卷积神经网络MCNN和空... 详细信息

田间麦穗计数因主要依靠人工而存在耗时长、成本高等问题,为提高麦穗计数的效率和准确性,提出基于人群计数卷积神经网络的麦穗计数方法,在图像基础上进行麦穗数量自动化计数。试验改进了现有人群计数模型中的多列卷积神经网络MCNN和空洞卷积神经网络CSRNet,并对MCNN和CSRNet进行融合,建立了多列卷积神经网络MCSRNet。测试结果表明:MCSRNet网络对麦穗的预测准确率可以达到92.4%,较MCNN和CSRNet分别提高1.0%和4.0%,且训练迭代次数分别减少39次和5次。另基于独立数据集进行了测试,MCSRNet网络平均准确率为81.9%,较MCNN和CSRNet分别提高了0.4%和0.7%。MCSRNet的麦穗计数结果R2为0.80,优于MCNN和CSRNet。以上研究结果表明,MCSRNet网络有较高的麦穗计数准确率,同时有较快的训练速度,可为后续基于图像的小麦产量预测提供技术方法。

关键词：卷积神经网络机器视觉图像识别麦穗计数密度图

在线全文

学校读者我要写书评

暂无评论

基于多尺度多方向分解的自然场景下麦穗计数

安徽大学学报（自然科学版） 2020年第6期44卷 20-27页

作者：鲍文霞张婷婷胡根生梁栋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安徽合肥230601 安徽大学电子信息工程学院安徽合肥230601

小麦是我国重要的粮食作物,准确的小麦麦穗计数是小麦产量精确估计的前提.针对自然场景下小麦图像的频域分布特点,提出了一种多尺度多方向分解的小麦麦穗计数方法.首先,该方法根据待处理的小麦麦穗图像中麦穗和背景信息分布的频段不同... 详细信息

小麦是我国重要的粮食作物,准确的小麦麦穗计数是小麦产量精确估计的前提.针对自然场景下小麦图像的频域分布特点,提出了一种多尺度多方向分解的小麦麦穗计数方法.首先,该方法根据待处理的小麦麦穗图像中麦穗和背景信息分布的频段不同的特点,对小麦麦穗图像进行多尺度多方向分解,获取能突出小麦麦穗信息的多尺度多方向子带,减小土壤、小麦叶片等背景信息的干扰;然后,利用灰度阈值分割方法对小麦麦穗子带图像进行分割,利用形态学中的膨胀和腐蚀等操作实现包含小麦麦穗信息的连通区域的分离;最后,利用Find maxima计数方法实现小麦麦穗计数.实验结果表明,该方法对小麦麦穗计数的精准度明显优于其他基于颜色特征和纹理特征小麦麦穗计数方法.

关键词：麦穗计数多尺度多方向分解特征提取形态学处理

基于深度卷积神经网络的田间麦穗密度估计及计数

在线全文

学校读者我要写书评

暂无评论

农业工程学报 2020年第21期36卷 186-193,F0003页

作者：鲍文霞张鑫胡根生黄林生梁栋林泽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

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... 详细信息

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。

关键词：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