定向特征金字塔网络用于检测和计数小而密集的小麦头
Junwei Yu1,2, Weiwei Chen3,4, Nan Liu5
1Key Laboratory of Grain Information Processing and Control (Henan University of Technology), Ministry of Education, Zhengzhou, 450001, China. yujunwei@126.com.
Scientific reports
|April 6, 2024
概括
一个新的定向特征金字塔网络 (OFPN) 准确地检测和计数小麦头,即使是小而密集的小麦头. 这种深度学习方法通过改进产量估计和资源分配来增强精准农业.
科学领域:
- 农业科学 农业科学
- 计算机视觉 计算机视觉
- 深度学习 (Deep Learning) 是一种深度学习.
背景情况:
- 准确的小麦头部检测对于精准农业应用,如产量估计至关重要.
- 挑战包括尺寸,方向,密度和成像条件的变化,特别是对于小而密集的小麦头.
研究的目的:
- 提出一种新的深度学习方法,即面向特征金字塔网络 (OFPN),用于准确检测和计数小麦头部.
- 引入一个新的数据集,即旋转全球小麦头数据集 (RGWHD),用于评估定向小麦头检测.
主要方法:
- 开发了面向特征金字塔网络 (OFPN),使用面向边界盒用于旋转小麦头部检测.
- 综合路径聚合和平衡特征金字塔网络,用于多尺度特征融合.
- 利用软NMS算法来改进密集和重叠的小麦头部的本地化.
- 创建了旋转全球小麦头数据集 (RGWHD) 带有手动注释的定向边界框.
主要成果:
- 在定向小麦头检测方面,OFPN的平均精度为85.77%,超过了六种最先进的模型.
- 小麦头计数精度达到了93.97%,比Faster R-CNN提高了3.12%.
- 在具有挑战性的场景中,在定位和计数小麦头方面表现出卓越的性能.
结论:
- OFPN模型有效地解决了检测和计数小,密集和旋转小麦头的挑战.
- OFPN显示了通过改善小麦监测和产量预测来加强精准农业的巨大潜力.
- RGWHD数据集为未来的小麦头部检测研究提供了宝贵的资源.


