典型文献
改进YOLOv5测量田间小麦单位面积穗数
文献摘要：
单位面积穗数是决定小麦产量的主要因素之一.针对人工清点小麦穗数的方法容易受主观因素影响、效率低和图像处理方法鲜有进行系统部署等问题,提出一种注意力模块(Convolutional Block Attention Module,CBAM)与YOLOv5相结合的CBAM-YOLOv5网络结构,通过对特征图进行自适应特征细化,实现更准确的单位面积穗数测量.该研究以本地采集小麦图像数据和网络公开小麦图像数据为数据集,设置输入图像分辨率为1280,得到CBAM-YOLOv5模型,可以达到0.904的F1分数和0.902的平均精度,测试集计数的平均相对误差为2.56％,平均每幅图像耗时0.045 s,综合对比,CBAM-YOLOv5模型具有显著优势.模型放置于服务器,结合手机端软件和辅助装置,形成单位面积穗数测量系统,实现育种小区麦穗图像实时采集、处理和计数,计数的平均相对误差为2.80％,抗环境干扰性强.该研究方法与装置可以实现田间小麦单位面积穗数的实时在线检测,降低主观误差,具有较高的准确率及较强的鲁棒性,为小麦单位面积穗数快速、准确估测提供一种新的技术和装备支撑.
文献关键词：
模型;小麦;单位面积麦穗数;深度学习;YOLOv5;CBAM
中图分类号：
作者姓名：
黄硕;周亚男;王起帆;张晗;邱朝阳;康凯;罗斌
作者机构：
北京市农林科学院智能装备技术研究中心,北京 100097;国家农业智能装备工程技术研究中心,北京 100097;河北农业大学机电工程学院,保定 071000;北京市农林科学院信息技术研究中心,北京 100097
文献出处：
引用格式：
[1]黄硕;周亚男;王起帆;张晗;邱朝阳;康凯;罗斌-.改进YOLOv5测量田间小麦单位面积穗数)[J].农业工程学报,2022(16):235-242
A类：
单位面积麦穗数
B类：
YOLOv5,田间,小麦产量,清点,小麦穗,主观因素,和图像,系统部署,注意力模块,Convolutional,Block,Attention,Module,CBAM,特征图,图像数据,开小,图像分辨率,测试集,平均相对误差,每幅,综合对比,显著优势,服务器,手机端,辅助装置,成单,测量系统,育种,图像实时采集,环境干扰,干扰性,实时在线检测,估测
AB值：
0.342097
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。
