玉米雄穗表型信息的获取对研究玉米长势及产量起着非常重要的作用,为实现复杂田间环境玉米雄穗的精确识别和计数,该研究使用无人机采集试验田的玉米雄穗影像,基于Faster R-CNN、SSD、YOLO_X目标检测模型,使用迁移学习方法实现玉米雄穗的高精度识别,并分析了模型对不同品种和不同种植密度的玉米雄穗检测效果.试验结果表明,基于迁移学习的Faster R-CNN、SSD、YOLO_X的目标检测效果相比于未使用迁移学习的模型有明显提升,其中,迁移学习后YOLO_X的识别精确度为97.16％,平均精度为93.60％,准确度为99.84％,对数平均误检率为0.22,识别效果最好;不同玉米品种对模型的适应性有所差异,其中郑单958对模型适应性最好,Faster R-CNN、SSD、YOLO_X的决定系数R2分别为0.9474、0.9636、0.9712;不同种植密度下玉米雄穗的检测效果有所差异,在29985,44978,67466,89955株/hm2种植密度下,模型对郑单958检测的平均绝对误差分别为0.19、0.31、0.37、0.75,随着种植密度的增加,检测误差逐渐变大.研究为农田玉米雄穗高精度识别提供了一种可靠方法,对玉米表型性状高通量调查具有一定的应用价值.

无人机;目标检测;图像识别;玉米雄穗;迁移学习;深度学习

汪斌斌;杨贵军;杨浩;顾寄南;赵丹;许思喆;徐波

江苏大学机械工程学院,镇江 212000;农业农村部农业遥感机理与定量遥感重点实验室,北京农业信息技术研究中心,北京 100097;国家农业信息化工程技术研究中心,北京 100097;江苏大学农业工程学院,镇江 212000

农业工程学报

[1]汪斌斌;杨贵军;杨浩;顾寄南;赵丹;许思喆;徐波-.基于YOLO_X和迁移学习的无人机影像玉米雄穗检测)[J].农业工程学报,2022(15):53-62

YOLO,无人机影像,玉米雄穗,表型信息,长势,田间,精确识别,机采,试验田,Faster,SSD,目标检测模型,迁移学习方法,高精度识别,不同品种,种植密度,检测效果,误检率,玉米品种,决定系数,hm2,平均绝对误差,检测误差,农田玉米,表型性状,图像识别

0.237097