文献类型：期刊文章

作　　者：泮玮婷[1] 孙梦丽[1] 员琰[1] 刘平[1]

PAN Weiting;SUN Mengli;YUN Yan;LIU Ping(College of Mechanical and Electronic Engineering/Intelligent Agricultural Machinery and Equipment Laboratory,Shan‐dong Agricultural University,Taian 271000,China)

机构地区：[1]山东农业大学机械与电子工程学院/智能化农业机械与装备实验室,山东泰安271000

出　　处：《智慧农业（中英文）》

基　　金：山东省重点研发计划项目(2022LZGCQY002);山东省自然科学基金重点项目(ZR2020KF002)。

年　　份：2023

卷　　号：5

期　　号：3

起止页码：110-120

语　　种：中文

收录情况：CSCD、CSCD2023_2024、DOAJ、SCOPUS、ZGKJHX、普通刊

摘　　要：[目的/意义]培育优质高产的小麦品种是小麦育种的主要目标,而小麦籽粒完整性直接影响小麦育种进程。完整籽粒与破损籽粒的部分特征差异较小,是限制基于深度学习识别破损小麦籽粒精准度的关键因素。[方法]为解决小麦籽粒检测精度低的问题,本研究建立ImCascade R-CNN模型,提出小麦籽粒表形鉴定方法,精准检测小麦籽粒完整性、分割籽粒并获取完整籽粒表形参数。[结果和讨论]ImCascade R-CNN模型检测小麦籽粒完整性的平均精度为90.2%,与Cascade Mask R-CNN、Deeplabv3+模型相比,能更好地识别、定位、分割小麦籽粒,为籽粒表形参数地获取提供基础。该方法测量粒长、粒宽的平均误差率分别为2.15%和3.74%,测量长宽比的标准误差为0.15,与人工测量值具有较高的一致性。[结论]研究结果可快速精准检测籽粒完整性、获取完整籽粒表形数据,加速培育优质高产小麦品种。

关 键 词：小麦育种 ImCascade R-CNN模型  籽粒完整性  语义分割  籽粒表形参数  深度学习  

分 类 号：TP391] S512[计算机类]