小麦产量可由单位面积的小麦麦穗总数估算得出.基于采集小麦图像序列特征并进行检测的方法受光照等因素影响大,检测精度不高.为准确定位麦穗位置,估计麦穗数量,引入深度卷积神经网络进行麦穗检测工作.针对麦穗比例多样,先验锚框设定无法完美契合的弊端,舍弃了目标检测网络中常用的矩形先验锚定框(anchor),提出了一种基于YOLO框架的无锚框(anchor-free)麦穗目标检测方法.采用CSPDarkNet53作为特征提取网络,中间层采用特征图金字塔网络结构FPN(Feature Pyramid Networks)设计特征处理模块,增大感受野并提取图像的多尺度信息,获得融合高低层语义信息的特征图,后端采用FoveaBox式无锚框检测器完成目标检测.在WEDD与GWHD两个不同分辨率的公开麦穗数据集上测试表明,该网络的检测平均精度AP值相较于YOLOv4网络分别提升了 8.81％和1.69％,并在GWHD数据集上帧率达到36FPS.本算法能够实时有效地进行麦穗精确检测,为后续小麦估产、育种等创造了条件.
万方数据
维普
