摘要
小麦在中国和世界上都是非常重要的一种粮食作物，因此，对小麦的生产过程中的技术方法研究具有重要应用价值。本研究主要是利用基于深度学习的一些技术方法，实现对小麦长势情况的监测和产量的预估。分蘖期和成熟期是小麦非常重要的两个生长阶段，幼苗期的分蘖情况和成熟期的麦穗数量，可以帮助种植者了解小麦的生长情况，同时也可以作为评估小麦长势情况和产量的重要指标。因此，本研究利用基于深度学习的一些方法，实现对小麦幼苗期分蘖数的检测识别和成熟期麦穗的检测计数，从而达到帮助生产者更高效地了解对小麦生长情况并进行产量的估计的目的。本文的主要研究内容如下: (1)提出了基于YOLO-STrans的小麦幼苗期分蘖数的检测识别方法，以实现对分蘖期小麦分蘖个数的检测和识别。在研究过程中，首先构建了基于YOLOv5改进的目标检测模型，用来实现对幼苗期小麦分蘖部位的检测定位。通过检测模型的检测框位置提取图片中的小麦分蘖部位目标。并用基于改进的Swin Transformer分类网络构建出一个分类器模型，用于对检测到的分蘖部位进行分类识别。通过这种先检测再分类识别的方式，可以降低图像中背景等信息的噪声干扰，提高对分蘖个数识别的准确率。通过检测模型的检测定位和分类器对目标的分类识别，最终实现了对小麦幼苗分蘖部位的准确检测以及分蘖个数的准确识别，其检测和识别的准确率分别可以达到0.953和0.926。 (2)提出了基于YOLOv5改进的小麦成熟期麦穗的检测和计数方法，以解决麦穗图像中存在遮挡重叠造成的检测精度低的问题，提高对图像中麦穗检测的精度。在具体的网络改进中，首先针对小麦图片中存在的遮挡重叠问题，在检测模型中引入了卷积注意力机制，有效提高了模型对于麦穗以及分蘖数目标的检测识别能力;其次为了进一步提高模型对不同尺度特征的融合能力，又在内部采用了加权双向特征连接方式，从而提高了模型对不同尺度特征的融合能力;最后为了进一步提高对麦穗目标检测定位的准确性，对算法输出端中检测框的位置损失函数进行进一步地改进和优化。实验结果表明，改进的小麦穗检测算法可以提高小麦穗的检测精度，其中精度P、召回率R和平均准确度mAP分别可以达到0.951、0.946和0.968。最后在此基础上实现了一个完整的麦穗检测计数系统。
NETL