|本期目录/Table of Contents|

[1]荣民希,班彬,王智峥,等.基于Macbm-RCNN的叶片周长和面积测量方法[J].江苏农业科学,2022,50(13):199-206.
　Rong Minxi,et al.Measurement method of leaf circumference and area based on Macbm-RCNN[J].Jiangsu Agricultural Sciences,2022,50(13):199-206.
点击复制

基于Macbm-RCNN的叶片周长和面积测量方法(PDF)
分享到：

《江苏农业科学》[ISSN:1002-1302/CN:32-1214/S]

卷:
第50卷
期数:
2022年第13期
页码:
199-206
栏目:
农业工程与信息技术
出版日期:
2022-07-05

文章信息/Info

Title:
Measurement method of leaf circumference and area based on Macbm-RCNN
作者:
荣民希1;  班彬1;  王智峥1;  郭晓丽1;  张卫正2
1.郑州轻工业大学数学与信息科学学院，河南郑州 450002； 2.郑州轻工业大学计算机与通信工程，河南郑州 450002
Author(s):
Rong Minxi; et al
关键词:
Macbm RCNN; 叶片周长面积计算; 特征提取; 注意力机制; 目标识别; 图像分割
Keywords:
-
分类号:
S126；TP391.41
DOI:
-
文献标志码:
A
摘要:
为进一步提高日常背景下叶片周长面积测量精度和便利性，提出一种新的深度卷积网络模型Macbm RCNN，该模型在经典Mask RCNN模型基础上引入注意力机制。Macbm RCNN能对经过压缩处理过的图片进行准确检测和标注，并最终输出叶片周长和面积。通过最终的试验数据表明，Macbm RCNN网络模型的训练准确率相比于Mask RCNN提高1.65%，在复杂图像处理中，平均训练时间提升0.022 s，平均推理时间提升0.018 s。计算效率高于叶面仪和方格法，计算误差小于1.5%。验证表明，引入注意力机制的Macbm RCNN网络能提高叶片预测的准确率，在复杂情况下处理的速率有明显提升；在叶片周长和面积的计算中误差较小。在实际应用中能有效提高工作效率。
Abstract:
-

参考文献/References:

［1］高冠龙，冯起，张小由，等. 植物叶片光合作用的气孔与非气孔限制研究综述［J］. 干旱区研究，2018，35(4)：929-937.
［2］陈柯睿. 植物呼吸作用强度的探究［J］. 中国高新区，2018(5)：219，260.
［3］范高华. 草本植物蒸腾作用及叶性状与个体大小的异速生长关系［D］. 哈尔滨：中国科学院大学(中国科学院东北地理与农业生态研究所)，2017.
［4］孙梅，田昆，张贇，等. 植物叶片功能性状及其环境适应研究［J］. 植物科学学报，2017，35(6)：940-949.
［5］胡迪. 植物叶片测量方法的研究［D］. 沈阳：沈阳工业大学，2011.
［6］郑卫红，任云，杨成忠. 基于数字图像处理技术的叶面测量仪研究［J］. 杭州电子工业学院学报，2004，24(3)：31-34.
［7］董晓华，赵乔，苏中波，等. 基于漫水填充算法的叶面积仪研制［J］. 节水灌溉，2016(9)：169-172.
［8］宫志宏，薛庆禹，于红，等. 基于数字照片解析的黄瓜叶片面积测定及效果分析［J］. 中国农学通报，2015，31(23)：230-234.
［9］李道德，黄海帆，朱长锁，等. 梨树叶片面积计算方法探讨［J］. 河南农业科学，1995，24(7)：29-31.
［10］乔宝营，黄海帆，张信栓，等. 草莓叶面积简易测定方法［J］. 果树报，2004，21(6)：621-623.
［11］陈杰，侯同娣，泮进明. 作物叶片面积检测算法的比较分析与MATLAB实现［J］. 浙江农业科学，2019，60(1)：162-164.
［12］Mustafa R，Ahmedi B，Mustafa K. Compression of monochromatic and multicolored image with neural network［J］. Asian Journal of Research in Computer Science，2021：39-45.
［13］He K M，Gkioxari G，Dollar P，et al. Mask R-CNN［J］. IEEE Transactions on Pattern Analysis and Machine Intelligence，2020，42(2)：386-397.
［14］Ren S Q，He K M，Girshick R，et al. Faster R-CNN：towards real-time object detection with region proposal networks［J］. IEEE Transactions on Pattern Analysis and Machine Intelligence，2017，39(6)：1137-1149.
［15］荆伟斌，胡海棠，程成，等. 基于深度学习的地面苹果识别与计数［J］. 江苏农业科学，2020，48(5)：210-219.
［16］陈景明，金杰，王伟锋.基于特征金字塔网络的改进算法［J］. 激光与光电子学进展，2019，56(21)：165-170.
［17］商小宝. 医学图像降噪处理及计算机辅助诊断［D］. 杭州：浙江大学，2018.
［18］于海宁，江景涛，尚书旗. 基于压缩感知的图像降噪处理研究［J］. 农机化研究，2016，38(2)：12-16，21.
［19］郭铁柱. 深度图像的填充与点云数据的优化［D］. 北京：北京工业大学，2014.
［20］孟欣欣，阿里甫·库尔班，吕情深，等. 基于迁移学习的自然环境下香梨目标识别研究［J］. 新疆大学学报(自然科学版)，2019，36(4)：461-467.
［21］Jimmy B，Volodymyr M，Koray K. Multiple object recognition with Visual attention.［J］. CoRR，2014，abs/1412.7755.
［22］崔丽群，陈晶晶，任茜钰，等. 融合多特征与先验信息的显著性目标检测［J］. 中国图象图形学报，2020，25(2)：321-332.
［23］朱张莉，饶元，吴渊，等. 注意力机制在深度学习中的研究进展［J］. 中文信息学报，2019，33(6)：1-11.
［24］赵志成，罗泽，王鹏彦，等. 基于深度残差网络图像分类算法研究综述［J］. 计算机系统应用，2020，29(1)：14-21.
［25］王泽发，唐兴国. 基于灰度变换的图像增强方法研究［J］. 科技创新导报，2011，8(1)：119.

相似文献/References:

备注/Memo

备注/Memo:
收稿日期：2021-12-07
基金项目：国家自然科学基金(编号：11601491、61403349)；河南省科技攻关项目(编号：192102110203)。
作者简介：荣民希(1979—)，男，河南安阳人，硕士，讲师，主要从事图像处理、深度学习研究。E-mail：ylrmx2008@163.com。
通信作者：郭晓丽，博士，教授，从事智能计算及优化理论研究。E-mail：xlguo@zzuli.edu.cn。
更新日期/Last Update: 2022-07-05