单位种植面积的麦穗数量是评估小麦产量的关键农艺指标之一。针对农田复杂场景中存在的大量麦芒、卷曲麦叶、杂草等环境噪声、小尺寸目标和光照不均等导致的麦穗检测准确度下降的问题,提出了一种基于深度学习的麦穗检测方法(FCS RCNN)。...单位种植面积的麦穗数量是评估小麦产量的关键农艺指标之一。针对农田复杂场景中存在的大量麦芒、卷曲麦叶、杂草等环境噪声、小尺寸目标和光照不均等导致的麦穗检测准确度下降的问题,提出了一种基于深度学习的麦穗检测方法(FCS RCNN)。以Cascade RCNN为基本网络模型,通过引入特征金字塔网络(Feature pyramid network,FPN)融合浅层细节特征和高层丰富语义特征,通过采用在线难例挖掘(Online hard example mining,OHEM)技术增加对高损失样本的训练频次,通过IOU(Intersection over union)阈值对网络模型进行阶段性融合,最后基于圆形LBP纹理特征训练一个SVM分类器,对麦穗检出结果进行复验。大田图像测试表明,FCS RCNN模型的检测精度达92.9%,识别单幅图像平均耗时为0.357 s,平均精度为81.22%,比Cascade RCNN提高了21.76个百分点。展开更多
文摘单位种植面积的麦穗数量是评估小麦产量的关键农艺指标之一。针对农田复杂场景中存在的大量麦芒、卷曲麦叶、杂草等环境噪声、小尺寸目标和光照不均等导致的麦穗检测准确度下降的问题,提出了一种基于深度学习的麦穗检测方法(FCS RCNN)。以Cascade RCNN为基本网络模型,通过引入特征金字塔网络(Feature pyramid network,FPN)融合浅层细节特征和高层丰富语义特征,通过采用在线难例挖掘(Online hard example mining,OHEM)技术增加对高损失样本的训练频次,通过IOU(Intersection over union)阈值对网络模型进行阶段性融合,最后基于圆形LBP纹理特征训练一个SVM分类器,对麦穗检出结果进行复验。大田图像测试表明,FCS RCNN模型的检测精度达92.9%,识别单幅图像平均耗时为0.357 s,平均精度为81.22%,比Cascade RCNN提高了21.76个百分点。
