典型文献
基于多种深度学习算法的田间玉米籽粒检测与计数
文献摘要：
为快速准确获取玉米收获过程中遗失籽粒数信息,进行收割损失调节等管理,对比评估了单阶段和两阶段主流目标检测网络对田间玉米籽粒计数的性能.首先,利用RGB相机获取包含不同背景和不同光照的图像数据,并进一步生成数据集;其次,构建籽粒识别的不同目标检测网络,包括Mask R-CNN、EfficientDet-D5、YOLOv5-L、YOLOX-L,并利用所采集的420幅有效图像对构建的四种网络进行训练、验证、测试,图像数分别为200、40和180幅;最后,依据测试集图像的识别结果进行籽粒计数性能评价.试验结果表明,YOLOv5-L网络对测试集图像检测的平均精度为78.3％,模型尺寸仅为89.3 MB;籽粒计数的检测正确率、漏检率和F1值分别为90.7％、9.3％和91.1％,处理速度为55.55 f/s,识别与计数性能均优于Mask R-CNN、EfficientDet-D5和YOLOX-L网络,并对具有不同地表遮挡程度和籽粒聚集状态的图像具有较强的鲁棒性.深度学习目标检测网络YOLOv5-L可实现实际作业中玉米收获损失籽粒的实时监测,精度高、适用性强.
文献关键词：
收获损失;田间玉米籽粒;深度学习;籽粒计数;YOLOv5-L;YOLOX-L;Mask R-CNN;Efficient-Det-D5
中图分类号：
作者姓名：
刘晓航;张昭;刘嘉滢;张漫;李寒;Paulo FLORES;韩雄哲
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;中国农业大学农业农村部农业信息获取技术重点实验室,北京 100083;北达科他州州立大学农业与生物工程系,法戈 58102,美国;韩国江原大学生物系统工程系,春川 24341,韩国;韩国江原大学智慧农业交叉学科,春川 24341,韩国
文献出处：
引用格式：
[1]刘晓航;张昭;刘嘉滢;张漫;李寒;Paulo FLORES;韩雄哲-.基于多种深度学习算法的田间玉米籽粒检测与计数)[J].智慧农业（中英文）,2022(04):49-60
A类：
田间玉米籽粒
B类：
深度学习算法,快速准确,玉米收获,遗失,籽粒数,收割,对比评估,单阶段,两阶段,目标检测网络,籽粒计数,RGB,图像数据,Mask,EfficientDet,D5,YOLOv5,YOLOX,测试集,性能评价,图像检测,模型尺寸,MB,漏检率,处理速度,遮挡,聚集状态,学习目标,收获损失
AB值：
0.280818
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。
