基于YOLOv3网络的小麦麦穗检测及计数

doi:10.14088/j.cnki.issn0439-8114.2021.02.033

湖北农业科学 ›› 2021, Vol. 60 ›› Issue (2): 158-160.doi: 10.14088/j.cnki.issn0439-8114.2021.02.033

基于YOLOv3网络的小麦麦穗检测及计数

郝王丽, 尉培岩, 韩猛, 张丽, 席瑞泽

山西农业大学软件学院,山西太谷 030801

收稿日期:2020-03-06 出版日期:2021-01-25 发布日期:2021-02-07
作者简介:郝王丽（1989-）,女,山西稷山人,讲师,博士,主要从事智慧农业研究,（电话）18701009770（电子信箱）hanmeng10@126.com。
基金资助:
山西农业大学青年基金项目（20142-09）; 山西省高等学校科技创新项目（2020L0154）

Detection and counting of wheat ears based on YOLOv3 network

HAO Wang-li, WEI Pei-yan, HAN Meng, ZHANG Li, XI Rui-ze

School of Software, Shanxi Agricultural University, Taigu 030801,Shanxi,China

Received:2020-03-06 Online:2021-01-25 Published:2021-02-07

摘要/Abstract

摘要： 小麦（Triticum aestivum L.）麦穗检测及计数对小麦产量估计及育种至关重要,但传统小麦麦穗数量统计都是基于人工统计的方法或遥感预测等方法,效率低且准确率差。为解决上述问题,提出了基于YOLOv3的深度神经网络小麦检测方法。结果表明,YOLOv3在3种常见的小麦品种上检测平均精度mAP值为 67.81%,麦穗计数准确率为93%,该方法可快速高效地检测特定标注框中的小麦麦穗。

关键词: 小麦（Triticum aestivum L.）麦穗, YOLOv3网络, 麦穗检测, 麦穗计数

Abstract: Wheat ear detection and counting are very important for wheat yield estimation and breeding. However, traditional wheat ear quantity statistics are based on manual statistical methods or remote sensing prediction methods, which are inefficient and not accurate. In order to solve the above problems, this paper proposes a wheat detection method based on YOLOv3 deep neural network. The results showed that YOLOv3 has achieved an average accuracy mAP value of 67.81% and an accuracy rate of 93% for wheat ear counting on three common wheat varieties, which can quickly and efficiently detect wheat ears in a specific label box.

Key words: wheat ear, YOLOv3 network, wheat ear detection, wheat ear counting

中图分类号:

TP391.4

郝王丽, 尉培岩, 韩猛, 张丽, 席瑞泽. 基于YOLOv3网络的小麦麦穗检测及计数[J]. 湖北农业科学, 2021, 60(2): 158-160.

HAO Wang-li, WEI Pei-yan, HAN Meng, ZHANG Li, XI Rui-ze. Detection and counting of wheat ears based on YOLOv3 network[J]. HUBEI AGRICULTURAL SCIENCES, 2021, 60(2): 158-160.

参考文献

[1] 甘肃省科学院生物所. 小麦测产新方法[P].中国专利:CN1031424A.
[2] 侯英鱼, 王健林, 毛留喜,等. 美国玉米和小麦产量动态预测遥感模型[J]. 生态学杂志, 2009, 28(10): 2141-2146.
[3] 朱秀红, 李秀珍, 姚文军,等. 基于SPSS的日照市小麦产量年景预测模型[J]. 中国农学通报, 2010, 26(2): 295-297.
[4] 吕行军. 基于图像处理技术的麦穗识别研究[D]. 河北保定:河北农业大学, 2012.
[5] BENGIO Y, COURVILLE A, VINCENT P.Representation learning: A review and new perspectives[J]. IEEE transactions on pattern analysis &machine intelligence, 2012, 35(8): 1798-1828.
[6] 周飞燕, 金林鹏, 董军. 卷积神经网络研究综述[J]. 计算机学报, 2017, 40(6): 1229-1251.
[7] GIRSHICK R, DONAHUUE J, DARRELL T, et al.Rich feature hierarchies for accurate object detection and semantic segmentation[A]//proceeding of the IEEE Conference on Computer Vision and Pattern Recognition, 2014: 580-587.
[8] HE K, ZHANGX, RENS, et al.Spatisl pyramid pooling in deep convolutional networks for visual recognition[J]. IEEE Transactions Pattern Anal Mach Intell, 2015(9): 1904-1916.
[9] GIRSHICK R.Fast R-CNN[A].IEEE International Conference on Computer Vision, 2015:1440-1448.
[10] REN S, HE K, GIRSHICK R, et al.Faster R-CNN: Towards real-time object detection with region proposal networks[C]//International Conference on Neural Information Processing Systems. Cambridge: MIT, 2015: 91-99.
[11] LI Y, HE K, SUN J.R-FCN: Object detection via region based fully convolutional networks[R]. arXiv, 2016.
[12] REDMON J, DIVVALA S, GIRSHICK R, et al.You only look once: Unified, real-time object detection[A].IEEE Conference on Computer Vision and Pattern Recognition[C]. 2016: 779-788.
[13] LIU W, ANGUELOV D, ERHAN D, et al.SSD: Single shot multibox detector[R]. arXiv, 2016.
[14] REDMON J, FARHADI A.YOLO9000: Better, faster, stronger[R]. arXiv, 2016.
[15] REDMON J, FARHADI A.YOLOv3: An Incremental Improvement[R]. arXiv, 2018.
[16] 郭龙源, 童光红, 段厚裕, 等. 基于YOLOv3的磁瓦表面缺陷检测算法[J]. 成都工业学院学报, 2019, 22(3): 25-30.
[18] 王毅恒, 许德章. 基于YOLOv3算法的农场环境下奶牛目标识别[J]. 广东石油化工学院学报, 2019, 29(4): 31-35.

基于YOLOv3网络的小麦麦穗检测及计数

Detection and counting of wheat ears based on YOLOv3 network

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 9

编辑推荐

Metrics

本文评价

[1]	雷娟. 基于NB-IoT的农田环境监测系统设计与实现[J]. 湖北农业科学, 2022, 61(14): 165-170.
[2]	李亚文, 刘爱军, 陈垚. 基于GLCM纹理特征提取的黄瓜叶部病害检测算法研究[J]. 湖北农业科学, 2022, 61(9): 141-145.
[3]	张竞超, 翟乃琦, 王一博, 云利军. 基于物联网技术的仓储烟叶霉变状态智能监测方法研究[J]. 湖北农业科学, 2021, 60(20): 167-170.
[4]	杨涛, 雷进, 朱皓睿, 胡钦云, 龙波. 基于图像特征融合的麦冬叶部病害识别[J]. 湖北农业科学, 2021, 60(7): 135-138.
[5]	杨涛, 马京晶, 雷进. 基于表面缺陷识别的猕猴桃分级方法[J]. 湖北农业科学, 2021, 60(7): 145-148.
[6]	李艳红, 樊同科. 基于深度残差的多特征多粒度农业病虫害识别研究[J]. 湖北农业科学, 2020, 59(16): 153-157.
[7]	黄杰贤, 刘燕, 杨冬涛. 基于BP神经网络的柚子分类研究[J]. 湖北农业科学, 2018, 57(24): 112-115.
[8]	孔德锋. 一种迁移学习算法在番茄病害检测上的应用[J]. 湖北农业科学, 2020, 59(7): 199-203.
[9]	罗玲, 宋科, 王皓, 资彩飞, 奉伟, 杜铭铭, 孙仲享, 曹志勇. 一种应用于云南省外侵物种识别的边缘计算模型[J]. 湖北农业科学, 2023, 62(10): 212-217.