学术中心
田间麦穗的快速检测与计数
- 分类:植物表型资讯
- 作者:PhenoTrait
- 来源:本站
- 发布时间:2021-07-30 06:10
- 访问量:
【概要描述】为了提高田间麦穗检测和计数的准确性,本文提出了一种改进的YOLOv4和CBAM模型,可以增强麦穗的特征提取能力。为了提高模型的泛化能力,不仅使用了本地小麦数据(WD),还使用了两个公共数据集(WEDD和GWHDD)来构造训练集、验证集和测试集。
田间麦穗的快速检测与计数
【概要描述】为了提高田间麦穗检测和计数的准确性,本文提出了一种改进的YOLOv4和CBAM模型,可以增强麦穗的特征提取能力。为了提高模型的泛化能力,不仅使用了本地小麦数据(WD),还使用了两个公共数据集(WEDD和GWHDD)来构造训练集、验证集和测试集。
- 分类:植物表型资讯
- 作者:PhenoTrait
- 来源:本站
- 发布时间:2021-07-30 06:10
- 访问量:
麦穗检测和计数对于作物田间管理、产量估算和表型分析具有重要意义。以往的研究表明,大多数小麦穗检测方法都是基于颜色、纹理等浅层特征,通过机器学习方法提取,已取得了较好的效果。然而,由于缺乏鲁棒性,上述方法很难满足田间条件下的麦穗检测和计数。其他研究表明,卷积神经网络(CNN)方法可以用于实现麦穗检测和计数。然而,麦穗的粘连和闭塞限制其检测的准确性。因此,为了提高田间麦穗检测和计数的准确性,本文提出了一种改进的YOLOv4和CBAM模型,可以增强麦穗的特征提取能力。为了提高模型的泛化能力,不仅使用了本地小麦数据(WD),还使用了两个公共数据集(WEDD和GWHDD)来构造训练集、验证集和测试集。
来自不同数据集的小麦穗样本
标签示例
基于改进yolov4的小麦穗部检测计数技术流程图
结果表明,该模型能有效地克服田间环境中的噪声,实现对不同密度分布麦穗的准确检测和计数。麦穗检测的平均准确率分别为94%、96.04%和93.11%。此外,在60幅小麦图像上对麦穗进行了计数。结果表明,WD的R2=0.8968,WEDD的R2=0.955,GWHDD的R2=0.9884。综上所述,CBAM-YOLOv4模型能够满足小麦穗部检测和计数的实际要求,可以为其他高通量参数的提取提供技术支持。
损失值和平均精度随迭代次数而变化
不同数据集小麦穗部检测结果实例
来源:
Yang B, Gao Z, Gao Y and Zhu Y. Rapid Detection and Counting of Wheat Ears in the Field Using YOLOv4 with Attention Module. Agronomy 2021, 11(6), 1202; https://doi.org/10.3390/agronomy11061202.
扫二维码用手机看
推荐新闻

发布时间 : 2022-05-20 11:45:57

发布时间 : 2022-05-13 10:56:43

发布时间 : 2022-05-09 12:21:00
视频展示
专题报道
联系我们
慧诺瑞德(北京)科技有限公司
地址:北京市海淀区西三旗街道建材城中路12号院8号楼2门
电话:010-62925490、82928854、82928864、82928874
传真:010-62925490-802
Email: info@phenotrait.com
邮编:100096
在线留言
关注我们

植物表型圈

植物表型资讯
慧诺瑞德(北京)科技有限公司版权所有 京ICP备15043840号 网站建设:中企动力 北二分 法律声明