基于深度学习和无人机遥感技术的玉米雄穗检测研究

• 作者: 杨长才 梁胤豪 董彩霞 陈全
• 来源期刊: 福建农业学报
• 学科: 农学
• 关键词: 无人机 目标检测 玉米 雄穗
• 年，卷（期）: 2020,（4）
• 所属期刊栏目: 数字农业
• 页码范围: 456-464
• 页数: 9页
• 分类号: S513|S127
• 字数: 5071字
• 语种: 中文
• DOI: 10.19303/j.issn.1008-0384.2020.04.014

摘要

[目的]玉米雄穗在玉米的生长过程和最终产量中起关键作用,使用无人机采集玉米抽穗期的RGB图像,研究不同的目标检测算法,构建适用于无人机智能检测玉米雄穗的模型,自动计算图像中雄穗的个数.[方法]使用无人飞行器(UAV)在25 m飞行高度下获得大量玉米抽穗时期的RGB图像,裁剪并标注出图像中玉米雄穗的位置和大小,训练数据和测试数据按照3:1的比例划分数据集;在深度学习框架MXNet下,利用这些数据集,分别训练基于ResNet50的Faster R-CNN、基于ResNet50的SSD、基于mobilenet的SSD和YOLOv3等4种模型,对比4种模型的准确率、检测速度和模型大小.[结果]使用无人机采集了236张图像,裁剪成1024×1024大小的图片,去除成像质量差的图像,利用标注软件labelme获得100张标注的玉米雄穗数据集;最终得到4个模型的mAP值分别为0.73、0.49、0.58和0.72.在测试数据集上进行测试,Faster R-CNN模型的准确率最高为93.79％,YOLOv3的准确率最低,仅有20.04％,基于ResNet50的SSD和基于mobilenet的SSD分别为89.9％ 和89.6％.在识别的速度上,SSD_mobilenet最快(8.9 samples·s-1),Faster R-CNN最慢(2.6 samples·s-1),YOLOv3检测速度为3.47 samples·s-1,SDD_ResNet50检测速度为7.4 samples·s-1.在模型大小上,YOLO v3的模型最大,为241 Mb,SSD_mobilenet的模型最小,为55.519 Mb.[结论]由于无人机的机载平台计算资源稀缺,综合模型的速度、准确率和模型大小考虑,SSD_mobilenet最适于部署在无人机机载系统上用于玉米雄穗的检测.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	杨长才	福建农林大学农林大数据研究院	6	3	1.0	1.0
5	梁胤豪	西北大学数学学院	1	0	0.0	0.0