农业机械学报

作者：宁姗，陈海涛，赵秋多，王业成

单位：东北农业大学,东北农业大学,东北农业大学,东北农业大学,

关键词：大豆植株;目标检测;卷积神经网络;蚁群优化

基金：国家重点研发计划项目(2016YFD0100201、2018YFD0201004)

为了减少检测整株大豆豆荚及茎秆时相互遮挡对精度造成的影响，提出了一种基于卷积神经网络的大豆豆荚及茎秆表型信息检测方法，根据大豆植株的生长特征和卷积网络的特点，对单次多框检测器(Single shot multibox detector, SSD）进行了改进。与传统SSD相比，改进SSD（IM-SSD）具有更好的抗干扰能力和自学习能力。首先，通过大豆植株图像采集平台获取收获期的大豆植株图像，建立大豆植株RGB空间图像数据集，将数据集分为训练集、测试集和验证集，对训练集进行颜色变换、图像平移、旋转和缩放等方式实现数据的扩增，提高网络的泛化能力。其次，提出一种针对大豆植株图像中豆荚和茎秆的标注方法，仅对未被遮挡的部分进行标注，目的是降低遮挡产生的误判。IM-SSD是在传统SSD结构的基础上增加2个残差层，使用低层特征图融合到高层特征图来增强对小目标的检测能力，提高网络的识别率，输入图像尺寸为600像素×300像素，降低压缩变形带来的影响。对比试验结果表明，IM-SSD的平均精度比SSD300高7.79个百分点，比SSD512高3.83个百分点。由于卷积神经网络获得的大豆植株茎秆定位是分段的，不能体现茎秆的真实特征，提出了一种基于蚁群优化（Ant colony optimization, ACO）算法的大豆植株茎秆提取方法，利用ACO结合IM-SSD的结果提取完整的大豆植株茎秆。最后，通过豆荚定位和大豆植株茎秆提取获得了大豆植株的部分表型信息，包括全株荚数、株高、有效分枝数、主茎与株型。

来源：2021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2021年第12期