基于Yolov4的小麦穗检测方法


发布时间:

2020-11-30

来源:

本站

作者:

PhenoTrait

基于深度学习的植物表型分析技术日受重视。田间麦穗检测是估测小麦穗密度、健康度、成熟度、有无芒等性状的重要任务。传统小麦穗检测方法效率低、主观性强、准确性差。然而,随着深度学习理论的发展和计算机硬件的不断迭代,基于深度神经网络的目标检测方法的精度有了很大提高。因此,采用深度神经网络方法对小麦穗图像进行检测具有一定的价值。

 

小麦穗检测

 

本文提出了一种基于深度神经网络的小麦穗检测方法。首先,为了改善骨干网络部分,引入了两个SPP网络以增强特征学习的能力并增加卷积网络的接受范围。其次,采用自上而下和自下而上的特征融合策略来获取多层次特征。最后,利用Yolov3的头部结构来预测物体边界框。结果表明,本文提出的小麦穗检测方法具有较高的准确性和速度。该方法的平均准确度为94.5%,检测速度为88fps。

 

本文提出的Yolov4结构

 

本文提出的方法的结构

 

数据集注释示例

 

综上所述,本文所提出的基于Yolov4的能够准确、快速地检测出小麦穗图像。另外,训练数据集是一个注释准确、种类丰富的小麦穗数据集,使得该方法更加具有鲁棒性,具有广泛的应用价值。此外,该检测器的骨干网层次较深,更适用于小麦检测任务。空间金字塔池(SPP)和多级特征融合的使用对提高检测器性能起着至关重要的作用。本文提出的方法为小麦育种提供了有益的帮助。

 

本文提出的小麦穗检测器的工作流程

 

来源:

Gong B, Ergu D, Cai Y, Ma B. A Method for Wheat Head Detection Based on Yolov4. DOI:10.21203/rs.3.rs-86158/v1.

推荐新闻

石时之约|韩志国:透过表型数据,看见植物的喜怒哀乐!

本期石时之约,我们将对话慧诺瑞德(北京)科技有限公司总经理、国际植物表型学会(IPPN)执委会委员/工业分会副主席韩志国,一起从表型数据的科学角度,去读懂农作物的喜怒哀乐和前世今生。

慧科研、慧育种、慧种田——慧聚改变的力量

让我们“慧聚”在一起,为“慧科研、慧育种、慧种田”赋能。

高通量植物表型平台建设注意事项

育种,是在给定的环境条件下,选择各种表型指标(产量、品质、抗性)最优的基因型材料的过程(AI育种,从这里起步)。育种工作中大约70%的工作量来自表型观察测量和筛选,是最耗人力物力的过程。

作物生理表型测量基础原理

生理表型测量的核心在于“早、快”,要在肉眼可见之前就能测量并预判出变化趋势,才是这个技术的核心价值。叶绿素荧光成像,恰好满足了这个要求。