典型文献
利用Re-YOLOv5和检测区域搜索算法获取大豆植株表型参数
文献摘要：
为了解决目标检测区域中冗余信息过多导致无法准确检测大豆分枝的缺陷,同时快速获取大豆植株表型参数,该研究提出了一种基于Re-YOLOv5和检测区域搜索算法的大豆植株表型参数获取方法.Re-YOLOv5引入圆形平滑标签技术(Circular Smooth Label,CSL)实现旋转目标检测,解决了传统目标检测中检测区域冗余信息过多导致无法准确检测大豆分枝的缺陷,并加入协调注意力机制(Coordinate Attention,CA)获取目标位置信息以提升检测精度,此外,将原始骨干网络中的3×3卷积结构替换为RepVGG结构进一步增强模型的特征提取能力.基于Re-YOLOv5提出一种检测区域搜索算法(Detection Area Search,DAS),该算法将检测到的大豆分枝区域作为待搜索区域,通过该区域中的茎节点坐标信息判断各分枝的茎节点,然后将其进行顺序连接,重构大豆植株骨架,最终获取相关的表型参数.试验结果表明,Re-YOLOv5可以实现检测旋转目标的能力,而且在各项性能指标上都优于YOLOv5,其mAP提升了1.70个百分点,参数量下降0.17 M,针对茎节点的检测精确率提升了9.90个百分点,检测小目标的能力明显增强.检测区域搜索算法也能够准确地定位每个分枝上的茎节点从而重构大豆植株骨架,并得到比较准确的大豆植株表型参数,其中,株高、茎节点数、大豆分枝数的平均绝对误差分别为2.06 cm、1.37个和0.03个,在能够满足实际采集的精度要求的同时,也为获取大豆植株表型信息提供参考.
文献关键词：
模型;算法;大豆植株;目标检测;YOLOv5;区域搜索
中图分类号：
作者姓名：
郭希岳;李劲松;郑立华;张漫;王敏娟
作者机构：
中国农业大学智慧农业系统集成研究教育部重点实验室,北京 100083;中国农业大学烟台研究院,烟台 264670
文献出处：
引用格式：
[1]郭希岳;李劲松;郑立华;张漫;王敏娟-.利用Re-YOLOv5和检测区域搜索算法获取大豆植株表型参数)[J].农业工程学报,2022(15):186-194
A类：
B类：
YOLOv5,区域搜索,搜索算法,大豆植株,植株表型,表型参数,冗余信息,参数获取,获取方法,圆形平滑标签,Circular,Smooth,Label,CSL,旋转目标检测,协调注意力机制,Coordinate,Attention,CA,目标位置,位置信息,检测精度,骨干网络,RepVGG,增强模型,特征提取能力,Detection,Area,Search,DAS,茎节,节点坐标,mAP,百分点,参数量,精确率,小目标,明显增强,株高,分枝数,平均绝对误差,精度要求,表型信息
AB值：
0.313813
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。
