典型文献
基于无锚框YOLO检测网络的麦穗检测方法
文献摘要：
小麦产量可由单位面积的小麦麦穗总数估算得出.基于采集小麦图像序列特征并进行检测的方法受光照等因素影响大,检测精度不高.为准确定位麦穗位置,估计麦穗数量,引入深度卷积神经网络进行麦穗检测工作.针对麦穗比例多样,先验锚框设定无法完美契合的弊端,舍弃了目标检测网络中常用的矩形先验锚定框(anchor),提出了一种基于YOLO框架的无锚框(anchor-free)麦穗目标检测方法.采用CSPDarkNet53作为特征提取网络,中间层采用特征图金字塔网络结构FPN(Feature Pyramid Networks)设计特征处理模块,增大感受野并提取图像的多尺度信息,获得融合高低层语义信息的特征图,后端采用FoveaBox式无锚框检测器完成目标检测.在WEDD与GWHD两个不同分辨率的公开麦穗数据集上测试表明,该网络的检测平均精度AP值相较于YOLOv4网络分别提升了 8.81％和1.69％,并在GWHD数据集上帧率达到36FPS.本算法能够实时有效地进行麦穗精确检测,为后续小麦估产、育种等创造了条件.
文献关键词：
无锚框;麦穗检测方法;图像识别
中图分类号：
作者姓名：
路乔宽;张惊雷
作者机构：
天津理工大学电气工程与自动化学院,天津300384
文献出处：
引用格式：
[1]路乔宽;张惊雷-.基于无锚框YOLO检测网络的麦穗检测方法)[J].山东农业大学学报（自然科学版）,2022(05):796-802
A类：
麦穗检测方法,FoveaBox,WEDD,GWHD,36FPS
B类：
小麦产量,单位面积,小麦麦穗,图像序列,序列特征,检测精度,准确定位,穗位,穗数,深度卷积神经网络,检测工作,先验,舍弃,目标检测网络,锚定框,anchor,free,目标检测方法,CSPDarkNet53,特征提取网络,中间层,特征图,金字塔网络,FPN,Feature,Pyramid,Networks,设计特征,特征处理,感受野,多尺度信息,低层,语义信息,后端,无锚框检测器,测试表明,AP,YOLOv4,帧率,精确检测,估产,育种,图像识别
AB值：
0.343473
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
