文献类型：期刊文章

作　　者：梁胤豪[1,2] 陈全[2,3] 董彩霞[2,3] 杨长才[2,3,4]

LIANG Yin-hao;CHEN Quan;DONG Cai-xia;YANG Chang-cai(School of Mathematics,Northwest University,Xian,Shaanxi 710127,China;Institute of Big Data for Agriculture and Forestry,Fujian Agriculture and Forestry University,Fuzhou,Fujian 350002,China;Institute of Digital Research and Big Data/College of Computer and Information Science,Fujian Agriculture and Forestry University,Fuzhou,Fujian 350002,China;Key Laboratory of Smart Computing,Fujian Agriculture and Forestry University,Fuzhou,Fujian 350002,China)

机构地区：[1]西北大学数学学院,陕西西安710127 [2]福建农林大学农林大数据研究院,福建福州350002 [3]福建农林大学计算机与信息学院/数字福建农林大数据研究所,福建福州350002 [4]智慧农林福建省高校重点实验室,福建福州350002

出　　处：《福建农业学报》

基　　金：国家自然科学基金项目(61802064、61701117);福建省自然科学基金项目(2019J01402)。

年　　份：2020

卷　　号：35

期　　号：4

起止页码：456-464

语　　种：中文

收录情况：BDHX、BDHX2017、CAB、CAS、CSCD、CSCD_E2019_2020、JST、WOS、ZGKJHX、核心刊

摘　　要：【目的】玉米雄穗在玉米的生长过程和最终产量中起关键作用,使用无人机采集玉米抽穗期的RGB图像,研究不同的目标检测算法,构建适用于无人机智能检测玉米雄穗的模型,自动计算图像中雄穗的个数。【方法】使用无人飞行器(UAV)在25 m飞行高度下获得大量玉米抽穗时期的RGB图像,裁剪并标注出图像中玉米雄穗的位置和大小,训练数据和测试数据按照3:1的比例划分数据集;在深度学习框架MXNet下,利用这些数据集,分别训练基于ResNet50的Faster R-CNN、基于ResNet50的SSD、基于mobilenet的SSD和YOLOv3等4种模型,对比4种模型的准确率、检测速度和模型大小。【结果】使用无人机采集了236张图像,裁剪成1024×1024大小的图片,去除成像质量差的图像,利用标注软件labelme获得100张标注的玉米雄穗数据集;最终得到4个模型的mAP值分别为0.73、0.49、0.58和0.72。在测试数据集上进行测试,Faster R-CNN模型的准确率最高为93.79%,YOLOv3的准确率最低,仅有20.04%,基于ResNet50的SSD和基于mobilenet的SSD分别为89.9%和89.6%。在识别的速度上,SSD_mobilenet最快(8.9 samples·s^−1),Faster R-CNN最慢(2.6 samples·s^−1),YOLOv3检测速度为3.47 samples·s^−1,SDD_ResNet50检测速度为7.4 samples·s^−1。在模型大小上,YOLO v3的模型最大,为241 Mb,SSD_mobilenet的模型最小,为55.519 Mb。【结论】由于无人机的机载平台计算资源稀缺,综合模型的速度、准确率和模型大小考虑,SSD_mobilenet最适于部署在无人机机载系统上用于玉米雄穗的检测。

关 键 词：无人机 目标检测 玉米 雄穗

分 类 号：S513] S127