检索结果-南通市图书馆

农业机械学报 2024年第4期55卷 155-164,289页

作者：鲍文霞苏彪彪胡根生黄承沛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合肥230601

针对无人机图像背景复杂、小麦密集、麦穗目标较小以及麦穗尺寸不一等问题,提出了一种基于FE-P2Pnet(Feature enhance-point to point)的无人机小麦图像麦穗自动计数方法。对无人机图像进行亮度和对比度增强,增大麦穗目标与背景之间的... 详细信息

针对无人机图像背景复杂、小麦密集、麦穗目标较小以及麦穗尺寸不一等问题,提出了一种基于FE-P2Pnet(Feature enhance-point to point)的无人机小麦图像麦穗自动计数方法。对无人机图像进行亮度和对比度增强,增大麦穗目标与背景之间的差异度,减少叶、秆等复杂背景因素的影响。引入了基于点标注的网络P2Pnet作为基线网络,以解决麦穗密集的问题。同时,针对麦穗目标小引起的特征信息较少的问题,在P2Pnet的主干网络VGG16中添加了Triplet模块,将C(通道)、H(高度)和W(宽度)3个维度的信息交互,使得主干网络可以提取更多与目标相关的特征信息;针对麦穗尺寸不一的问题,在FPN(Feature pyramid networks)上增加了FEM(Feature enhancement module)和SE(Squeeze excitation)模块,使得该模块能够更好地处理特征信息和融合多尺度信息;为了更好地对目标进行分类,使用Focal Loss损失函数代替交叉熵损失函数,该损失函数可以对背景和目标的特征信息进行不同的权重加权,进一步突出特征。实验结果表明,在本文所构建的无人机小麦图像数据集(wheat-zwf)上,麦穗计数的平均绝对误差(MAE)、均方误差(MSE)和平均精确度(ACC)分别达到3.77、5.13和90.87%,相较于其他目标计数回归方法如MCNN(Multi-column convolutional neural network)、CSRnet(Congested scene recognition network)和WHCNETs (wheat head counting networks)等,表现最佳。与基线网络P2Pnet相比,MAE和MSE分别降低23.2%和16.6%,ACC提高2.67个百分点。为了进一步验证本文算法的有效性,对采集的其它4种不同品种的小麦(AK1009、AK1401、AK1706和YKM222)进行了实验,实验结果显示,麦穗计数MAE和MSE平均为5.10和6.17,ACC也达到89.69%,表明本文提出的模型具有较好的泛化性能。

关键词：麦穗计数无人机图像 FE-P2Pnet FEM wheat-zwf数据集

来源：

维普期刊数据库

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

基于无人机图像的小麦麦穗计数方法

引用

农业机械学报 2024年

作者：鲍文霞苏彪彪胡根生黄承沛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

针对无人机图像背景复杂、小麦密集、麦穗目标较小以及麦穗尺寸不一等问题，提出了一种基于FE-P2Pnet（Feature Enhance-Point To Point）的无人机小麦图像麦穗自动计数方法。首先，对无人机图像进行亮度和对比度增强，增大麦穗目标与... 详细信息

针对无人机图像背景复杂、小麦密集、麦穗目标较小以及麦穗尺寸不一等问题，提出了一种基于FE-P2Pnet（Feature Enhance-Point To Point）的无人机小麦图像麦穗自动计数方法。首先，对无人机图像进行亮度和对比度增强，增大麦穗目标与背景之间的差异度，减少叶、杆等复杂背景因素的影响。其次，引入了基于点标注的网络P2Pnet作为基线网络，以解决麦穗密集的问题。同时，针对麦穗目标小引起的特征信息较少的问题，在P2Pnet的主干网络VGG16中添加了Triplet模块，将C(通道)、H(高度)和W(宽度)3个维度的信息相互交互，使得主干网络可以提取更多与目标相关的特征信息；针对麦穗尺寸不一的问题，在FPN(Feature pyramid networks)上增加了FEM(Feature enhancement module)和SE(Squeeze excitation)模块，使得该模块能够更好地处理特征信息和融合多尺度信息；为了更好地对目标进行分类，使用Focal Loss损失函数代替交叉熵损失函数，该损失函数可以对背景和目标的特征信息进行不同的权重加权，进一步突出特征。实验结果表明，在本文所构建的无人机小麦图像数据集(wheat zwf)上，麦穗计数的Mae（平均绝对误差）、Mse（均方误差）和Acc(平均精确度)分别达到了3.77、5.13和90.87%，相较于其他目标计数回归方法如MCNN(Multi-column convolutional neural network)、CSRnet（Congested scene recognition network)和WHCNETs (wheat head counting networks)等，表现最佳。与基线网络P2Pnet相比，Mae和Mse分别降低了23.2%和16.6%，Acc提高了2.67个百分点。为了进一步验证本文算法的有效性，对采集的其它4种不同品种的小麦（AK1009、AK1401、AK1706和YKM222）进行了实验，实验结果显示，麦穗计数的平均Mae和Mse值为5.10和6.17，准确率也达到了89.69%，表明本文提出的模型具有较好的泛化性能。本文的研究可以为小麦麦穗计数相关研究提供一定的支持和帮助。

关键词：无人机图像麦穗计数 FE-P2Pnet FEM wheat-zwf数据集

来源：

同方期刊数据库评论

在线全文

同方期刊数据库

学校读者我要写书评

暂无评论

欢迎您,

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

在线全文

请选择保存的检索档案：

请选择收藏分类：

通借通还

欢迎您,

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

在线全文

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：