典型文献
基于无人机RGB影像估测田间小麦穗数
文献摘要：
单位面积穗数是小麦产量构成的重要因素,利用图像信息处理技术快速、准确地估测田间小麦穗数,可以为小麦长势监测和产量估测提供直接依据.利用无人机路径规划和控制系统(fragmentation monitoring and analysis with aerial photography,FragMAP)获取标准统一、高分辨率的田间小麦RGB航拍影像,通过高效的目标检测手段(YOLOv3)获得训练模型并自动识别麦穗,通过分析该方法(FY方法)与传统方法测定麦穗数量的关系来构建单位面积麦穗估测模型.结果 表明,FY方法的样本获取效率和观测面积显著高于传统方法(P＜ 0.001);YOLOv3训练模型识别麦穗的准确率随着训练样本数量和迭代次数增加而增加,500个训练样本迭代6250次,获得模型识别麦穗的准确率超过90％;FY方法和与传统方法测定的田间小麦穗数量呈显著的线性相关关系,据此构建估测田间小麦穗数的模型为:y=0.816x-14.863(R2=0.790,P＜0.001).上述结果表明,结合标准统一、高分辨率的无人机航拍影像和深度学习方法估测田间小麦穗数精度高、实时性强,可为小麦长势监测和产量估测提供重要的数据和技术支撑.
文献关键词：
航拍;FragMAP;深度学习;YOLOv3;麦穗检测
中图分类号：
作者姓名：
高姻燕;孙义;李葆春
作者机构：
甘肃农业大学生命科学技术学院,兰州730070;南通大学地理科学学院,脆弱生态环境研究所,江苏南通2260073;甘肃农业大学甘肃省干旱生境作物学重点实验室,甘肃省作物遗传改良与种质创新实验室,兰州730070
文献出处：
引用格式：
[1]高姻燕;孙义;李葆春-.基于无人机RGB影像估测田间小麦穗数)[J].中国农业科技导报,2022(03):103-110
A类：
FragMAP,816x
B类：
RGB,田间,小麦穗,穗数,单位面积,小麦产量,产量构成,图像信息处理技术,小麦长势,长势监测,产量估测,无人机路径规划,fragmentation,monitoring,analysis,aerial,photography,航拍影像,目标检测,检测手段,YOLOv3,训练模型,自动识别,FY,估测模型,模型识别,训练样本,样本数量,迭代次数,线性相关,无人机航拍,深度学习方法,麦穗检测
AB值：
0.270452
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。
