摘要
大豆是我国重要粮食和油料作物，单株大豆豆荚和籽粒数量是大豆育种、产量预测和生长状况判断的重要依据。人工计数大豆豆荚和籽粒存在工作量大、统计困难和效率低问题。因此，智能识别大豆豆荚和籽粒对大豆生产数字化、智能化发展意义重大。基于深度学习的目标检测算法具有自动特征学习、准确性高、泛化能力强的优点，本文提出基于深度学习的大豆豆荚与籽粒识别计数算法，有效提升了大豆豆荚和籽粒识别计数的准确度，帮助农户在大豆生产管理中提高生产效率、优化资源配置、科学决策后续生产活动。本文主要研究工作如下： （1）针对大豆豆荚形状差异大、颜色多样、相互遮挡等因素造成深度学习模型识别准确率低的问题，本研究提出一种Pod-YOLOv8目标检测模型。该模型针对大豆豆荚难以识别原因，将CBAM注意力机制和BiFPN特征融合结构融入YOLOv8模型，显著提升了大豆豆荚特征关注权重和多尺度信息感知能力。通过系统的实验验证和深入的数据分析，Pod-YOLOv8在性能上相比Faster R_CNN、YOLOv5等模型具有更好的检测效果。 （2）针对大豆籽粒目标较小、遮挡重叠严重、连续排列等因素造成深度学习模型识别准确率低的问题。本研究提出一种Bean-P2PNet位置回归检测模型。该模型引入K-D树算法和空洞卷积结构到P2PNet识别计数模型，显著提升了大豆籽粒特征处理速度和特征提取能力。通过系统的实验验证和深入的数据分析，Bean-P2PNet在性能上相比于CSRNet、DM-Count等算法具有更好的定位效果。 （3）针对农户、科研人员需要掌握单株大豆豆荚与籽粒数量判断大豆生长状况、产量估算、育种的需求。本文依据提出的Pod-YOLOv8和Bean-P2PNet识别计数算法，开发了大豆豆荚和籽粒识别计数系统。
NETL