«上一篇/Previous Article|本期目录/Table of Contents|下一篇/Next Article»

《江苏农业科学》[ISSN:1002-1302/CN:32-1214/S]

卷:

第51卷

期数:

2023年第12期

页码:

164-171

栏目:

农业工程与信息技术

出版日期:

2023-06-20

文章信息/Info

Title:

Detection and counting of wheat ears in field based on improved YOLOX-s

作者:

沈志豪¹; 刘金江²; 张建洋²

1.南阳师范学院生命科学与农业工程学院，河南南阳 473000； 2.南阳师范学院计算机科学与技术学院，河南南阳 473000

Author(s):

Shen Zhihao; et al

关键词:

YOLOX-s; 麦穗计数; 轻量级; 卷积神经网络; 注意力机制; Soft NMS

Keywords:

-

分类号:

S126

DOI:

-

文献标志码:

A

摘要:

麦穗检测与计数关乎小麦的产量预估与育种，估算小麦产量的重要指标之一就是单位面积穗数，如何准确检测单位面积穗数对于农业生产管理决策有着重要的指导作用。因此本研究提出了基于改进的YOLOX-s的田间麦穗检测方法对麦穗进行精准识别与计数。首先，选取多个国家的不同品种小麦图像，使用图像增强、数据清洗等方法建立全球小麦图像数据集。其次，在YOLOX-s的基础上根据麦穗图像的特点，重新设计了特征提取网络的深度，同时加入注意力机制，充分提取麦穗特征。将SPP模块替换为SPPF模块，在提升推理速度的同时，不降低模型性能。通过全球小麦图像数据集进行模型训练，并使用实地拍摄的麦田图像对模型进行测试。试验结果表明：通过全球小麦图像数据集的训练，改进的YOLOX-s网络模型的mAP达到了89.03%，精确度达到了91.21%。在实拍的麦田图像中，计数准确率达到了97.93%，平均单幅图像计数为0.194 s，单株小麦识别速度为2.8 ms，检测速度较YOLOX-s提升30.2%，计数速度优异，麦穗定位准确。

Abstract:

-

参考文献/References:

［1］杜世伟，李毅念，姚敏，等. 基于小麦穗部小穗图像分割的籽粒计数方法［J］. 南京农业大学学报，2018，41(4)：742-751.
［2］鲍烈，王曼韬，刘江川，等. 基于卷积神经网络的小麦产量预估方法［J］. 浙江农业学报，2020，32(12)：2244-2252.
［3］Huang M L，Chuang T C，Liao Y C. Application of transfer learning and image augmentation technology for tomato pest identification［J］. Sustainable Computing：Informatics and Systems，2022，33：100646.
［4］Kasinathan T，Uyyala S R. Machine learning ensemble with image processing for pest identification and classification in field crops［J］. Neural Computing and Applications，2021，33(13)：7491-7504.
［5］刘洋，冯全，王书志. 基于轻量级CNN的植物病害识别方法及移动端应用［J］. 农业工程学报，2019，35(17)：194-204.
［6］周维，牛永真，王亚炜，等. 基于改进的YOLOv4-GhostNet水稻病虫害识别方法［J］. 江苏农业学报，2022，38(3)：685-695.
［7］耿磊，黄亚龙，郭永敏. 基于融合注意力机制的苹果品种分类方法［J］. 农业机械学报，2022，53(6)：304-310.
［8］Li Q Y，Cai J H，Berger B，et al. Detecting spikes of wheat plants using neural networks with Laws texture energy［J］. Plant Methods，2017，13：83.
［9］汪传建，赵庆展，马永建，等. 基于卷积神经网络的无人机遥感农作物分类［J］. 农业机械学报，2019，50(11)：161-168.
［10］Mekhalfi M L，Nicolò C，Ianniello I，et al. Vision system for automatic on-tree kiwifruit counting and yield estimation［J］. Sensors，2020，20(15)：4214.
［11］Zhu Y J，Cao Z G，Lu H，et al. In-field automatic observation of wheat heading stage using computer vision［J］. Biosystems Engineering，2016，143：28-41.
［12］刘哲，黄文准，王利平. 基于改进K-means聚类算法的大田麦穗自动计数［J］. 农业工程学报，2019，35(3)：174-181.
［13］李毅念，杜世伟，姚敏，等. 基于小麦群体图像的田间麦穗计数及产量预测方法［J］. 农业工程学报，2018，34(21)：185-194.
［14］张领先，陈运强，李云霞，等. 基于卷积神经网络的冬小麦麦穗检测计数系统［J］. 农业机械学报，2019，50(3)：144-150.
［15］鲍文霞，张鑫，胡根生，等. 基于深度卷积神经网络的田间麦穗密度估计及计数［J］. 农业工程学报，2020，36(21)：186-193，323.
［16］Wang Y D，Qin Y X，Cui J L. Occlusion robust wheat ear counting algorithm based on deep learning［J］. Frontiers in Plant Science，2021，12：645899.
［17］孙俊，杨锴锋，罗元秋，等. 基于无人机图像的多尺度感知麦穗计数方法［J］. 农业工程学报，2021，37(23)：136-144.
［18］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.
［19］He K M，Gkioxari G，Dollár P，et al. Mask R-CNN［C］//2017 IEEE International Conference on Computer Vision (ICCV).Venice：IEEE，2017：2980-2988.
［20］Liu W，Anguelov D，Erhan D，et al. SSD：single shot MultiBox detector［M］//Computer Vision-ECCV 2016.Cham：Springer International Publishing，2016：21-37.
［21］Redmon J，Farhadi A. YOLO9000：better，faster，stronger［C］//2017 IEEE Conference on Computer Vision and Pattern Recognition.Honolulu：IEEE，2017：6517-6525.
［22］Ge Z，Liu S T，Wang F，et al. YOLOX：exceeding YOLO series in 2021［EB/OL］. (2021-08-06)［2022-08-10］. https：//arxiv.org/abs/2107.08430.
［23］Zhang H Y，Cisse M，Dauphin Y N，et al. Mixup：beyond empirical risk minimization［EB/OL］. (2018-04-27)［2022-08-10］. https：//arxiv.org/abs/1710.09412.

相似文献/References:

备注/Memo

备注/Memo:

收稿日期：2022-08-14
基金项目：教育部人文社会科学研究一般项目(编号：19C10481026)；河南省重点研发与推广专项(编号：192102310457)。
作者简介：沈志豪(1998—)，男，河南平顶山人，硕士研究生，研究方向为图像处理。E-mail：2020086000050@nynu.edu.cn。
通信作者：刘金江，硕士，教授，研究方向为图像大数据。E-mail：nytc@sina.com。

常用功能

更新日期/Last Update: 2023-06-20