分类： 农、林、牧、渔 >> 农、林、牧、渔业科学其他学科 提交时间： 2023-02-17 合作期刊: 《智慧农业（中英文）》
摘要： 为快速准确获取玉米收获过程中遗失籽粒数信息，进行收割损失调节等管理，对比评估了单阶段 和两阶段主流目标检测网络对田间玉米籽粒计数的性能。首先，利用RGB相机获取包含不同背景和不同光 照的图像数据， 并进一步生成数据集; 其次， 构建籽粒识别的不同目标检测网络， 包括Mask RCNN 、EfficientDet-D5、YOLOv5-L、YOLOX-L，并利用所采集的420幅有效图像对构建的四种网络进行训练、 验证、测试，图像数分别为200、40和180幅; 最后，依据测试集图像的识别结果进行籽粒计数性能评价。 试验结果表明，YOLOv5-L网络对测试集图像检测的平均精度为78.3%，模型尺寸仅为89.3 MB; 籽粒计数的 检测正确率、漏检率和F1 值分别为90.7%、9.3%和91.1%，处理速度为55.55 f/s，识别与计数性能均优于 Mask R-CNN、EfficientDet-D5和YOLOX-L网络，并对具有不同地表遮挡程度和籽粒聚集状态的图像具有较 强的鲁棒性。深度学习目标检测网络YOLOv5-L可实现实际作业中玉米收获损失籽粒的实时监测，精度高、 适用性强。
分类： 农、林、牧、渔 >> 农、林、牧、渔业科学其他学科 提交时间： 2023-02-17 合作期刊: 《智慧农业（中英文）》
摘要： 小麦在生长过程中发生倒伏会严重影响其产量，因此实时且准确地对小麦倒伏状况监测有很重要 的意义。传统的方法采用手工方式生成数据集，不仅效率低、易出错，而且生成的数据集不准确。针对这 一问题，本研究提出了一种基于图像处理的自动数据集生成方法。首先利用无人机在15、46和91 m三个高 度采集图像数据; 采集完数据后，根据无倒伏、倒伏面积50%的标准对每一块地的小麦 倒伏情况进行人工评估; 采用三种机器学习（支持向量机、随机森林、K 近邻） 和三种深度学习 （ResNet101、GoogLeNet、VGG16） 算法对小麦倒伏检测情况进行分类。结果显示，ResNet101的分类结果优 于随机森林，并且在91 m高度采集的数据分类精度并不低于在15 m高度采集的数据。本研究证明了针对在 91 m高度采集的无人机图像，采用ResNet101对小麦倒伏率检测是一种有效的替代人工检测的方法，其检 测精度达到了75%。
点击量
点击量
下载量
评论
