农业机械学报

作者：谢元澄，何超，于增源，沈毅，姜海燕，梁敬东

单位：南京农业大学,南京农业大学,南京农业大学,南京农业大学,南京农业大学,南京农业大学,

关键词：麦穗计数; 目标检测; Cascade R-CNN; IOU级联; 复杂场景

基金：国家重点研发计划项目(2016YFD0300607)、江苏省重点研发计划（现代农业）重点项目（BE2019383）和中央高校基本科研业务费自主创新重点项目(KYZ201550、KYZ201548)

单位种植面积的麦穗数量是评估小麦产量的关键农艺指标之一。针对农田复杂场景中存在的大量麦芒、卷曲麦叶、杂草等环境噪声、小尺寸目标和光照不均等导致的麦穗检测准确度下降的问题，提出了一种基于深度学习的麦穗检测方法（FCS R-CNN）。以Cascade R-CNN为基本网络模型，通过引入特征金字塔网络（Feature pyramid network，FPN）融合浅层细节特征和高层丰富语义特征，通过采用在线难例挖掘(Online hard example mining, OHEM)技术增加对高损失样本的训练频次，通过IOU(Intersection over union)阈值对网络模型进行阶段性融合，最后基于圆形LBP纹理特征训练一个SVM分类器，对麦穗检出结果进行复验。大田图像测试表明，FCS R-CNN模型的检测精度达92.9%，识别单幅图像平均耗时为0.357?s，平均精度为81.22%，比Cascade R-CNN提高了?21.76个百?分点。?

来源：2020年第12期

《农业机械学报》期刊编辑部

查看农业机械学报杂志2020年第12期