登录    注册    忘记密码

期刊文章详细信息

基于深度全卷积神经网络的大田稻穗分割  ( EI收录)  

Field rice panicle segmentation based on deep full convolutional neural network

  

文献类型:期刊文章

作  者:段凌凤[1] 熊雄[2] 刘谦[2] 杨万能[1,3] 黄成龙[1]

Duan Lingfeng;Xiong Xiong;Liu Qian;Yang Wanneng;Huang Chenglong(College of Engineering,Huazhong Agricultural University,Wuhan 430070,China;Wuhan National Laboratory forOptoelectronics,Huazhong University of Science and Technology,Wuhan 430074,China;National Key Laboratory of CropGenetic Improvement,Huazhong Agricultural University,Wuhan 430070,China)

机构地区:[1]华中农业大学工学院,武汉430070 [2]华中科技大学武汉光电国家研究中心,武汉430074 [3]华中农业大学作物遗传改良国家重点实验室,武汉430070

出  处:《农业工程学报》

基  金:国家自然科学基金资助项目(31701317;31600287);湖北省自然科学基金资助项目(2017CFB208);国家重点研发计划课题子课题(2016YFD0100101-18)

年  份:2018

卷  号:34

期  号:12

起止页码:202-209

语  种:中文

收录情况:AJ、BDHX、BDHX2017、CAB、CAS、CSA、CSA-PROQEUST、CSCD、CSCD2017_2018、EI、FSTA、IC、JST、PROQUEST、RCCSE、SCOPUS、ZGKJHX、核心刊

摘  要:稻穗的准确分割是获取水稻穗部性状、实现水稻表型自动化测量的关键。该研究应用水稻图像数据集及数据增广技术,离线训练了用于稻穗分割的3个分别基于Seg Net,Deep LAB和PSPNet的全卷积神经网络。综合考虑分割性能和计算速度,优选了基于Seg Net的网络,称为Panicle Net。在线分割阶段先将原始图像划分为子图,由Panicle Net分割子图,再拼接子图得到分割结果。比较该算法及现有作物果穗分割算法Panicle-SEG、HSeg、i2滞后阈值法及joint Seg,该算法对与训练样本同年度拍摄样本Qseg值0.76、F值0.86,不同年度样本Qseg值0.67、F值0.80,远优于次优的Panicle-SEG算法,且计算速度约为Panicle-SEG算法的35倍。该算法能克服稻穗边缘严重不规则、不同品种及生育期稻穗外观差异大、穂叶颜色混叠和复杂大田环境中光照、遮挡等因素的干扰,提升稻穗分割准确度及效率,进而服务于水稻育种栽培。

关 键 词:作物 图像分割 大田水稻  稻穗分割  深度学习  全卷积神经网络  

分 类 号:S126]

参考文献:

正在载入数据...

二级参考文献:

正在载入数据...

耦合文献:

正在载入数据...

引证文献:

正在载入数据...

二级引证文献:

正在载入数据...

同被引文献:

正在载入数据...

版权所有©重庆科技学院 重庆维普资讯有限公司 渝B2-20050021-7
 渝公网安备 50019002500408号 违法和不良信息举报中心