查看更多>>摘要:[目的]引入YOLOv51算法模型并对其进行改进,以实现大田环境下水稻稻穗的精准、高效、无损检测.[方法]以田间水稻为研究对象,通过数码单镜反光相机采集水稻图像样本,人工标注后对原始图像进行离线数据增强扩充,构建田间水稻图像数据集;对YOLOv51算法进行适应性改进,在空间金字塔池化(Spatial pyramid pooling,SPP)层前以及 Cross-stage-sartial-connections(CSP)层中置入有效通道注意力(Efficient channel attention,ECA)机制,并进行对比试验.选取最优算法作为基准模型进行注意力机制和数据增强消融试验,并测试得到性能最优模型.将改进YOLOv51与YOLOv51、YOLOv5x、SSD和Faster R-CNN进行对比试验.[结果]在改进YOLOv51的水稻识别框架中,将ECA置入网络SPP层前有更出色的性能.利用测试集图像检验模型,识别结果的平均精确率为93.63%,平均召回率为90.94%,总体平均精度可达95.05%.与未融合YOLOv51算法相比,改进的YOLOv51算法平均精度高3.03个百分点,图像的检测速率快8.20帧/ms;与YOLOv5x算法相比,改进的YOLOv51算法平均精度提高0.62个百分点,图像的检测速率快5.41帧/ms,内存占用减少74.1MB,在田间水稻稻穗检测方面,改进YOLOv51算法的综合性能优于其他算法.[结论]将改进后的YOLOv51算法引入大田环境下的水稻稻穗检测是可行的,具有较高的精确率、较快的检测速度和较小的内存占用,能够避免传统人工检测的主观性,对稻穗检测和水稻的无损估产具有重要意义.