郝王丽等:基于YOLOv4和自适应锚框调整的谷穗检测方法(2021年第1期)
引用格式: 郝王丽, 尉培岩, 郝飞, 韩猛, 韩冀皖, 孙玮蓉, 李富忠. 基于YOLOv4和自适应锚框调整的谷穗检测方法[J]. 智慧农业(中英文), 2021, 3 (1): 63-74.
HAO Wangli, YU Peiyan, HAO Fei, HAN Meng, HAN Jiwan, SUN Weirong, LI Fuzhong. Foxtail millet ear detection approach based on YOLOv4 and adaptive anchor box adjustment[J]. Smart Agriculture, 2021, 3 (1): 63-74.
基于YOLOv4和自适应锚框调整的谷穗检测方法
郝王丽1, 尉培岩1, 郝飞2, 韩猛1, 韩冀皖1, 孙玮蓉1, 李富忠1*
(1.山西农业大学 软件学院,山西晋中,030801;2.陕西师范大学 计算机学院,陕西西安,710119)
摘要: 谷穗的检测和计数对于预测谷子产量和育种至关重要。但是,传统的谷穗计数主要基于人工统计,既费时又费力。为解决上述问题,本研究首先建立了一个包含784张图像和10,000个谷穗样本的谷穗检测数据集。提出了一种基于YOLOv4和自适应锚框调整的谷穗检测方法,可快速准确地检测特定框中的谷穗。通过自适应地调整锚框,可生成符合谷穗目标的候选框,从而提升检测的准确率。为验证该方法的有效性,采用了多个标准,包括平均精度(mAP),F1得分(F1-Score),精度(Precision)和召回率(Recall)进行评价。此外,设计了对比试验验证所提出方法的有效性,包括与其他模型(YOLOv2,YOLOv3和Faster-RCNN)进行比较来评估模型的性能,评估模型在不同交并比(IOU)取值下的性能,评估模型在自适应锚框调整下的谷穗检测性能,评估引起模型评价标准变化的原因,以及评估模型在不同原始输入图像尺寸下的性能。试验结果表明,YOLOv4获得了良好的谷穗检测性能。YOLOv4的mAP达到78.99%,F1-score达到83.00%,Precision达到87%和Recall达到79.00%,在所有评价标准上均比其他比较模型高出8%。试验结果表明,该方法具有较好的准确性和高效性。
关键词: 谷穗检测;YOLOv4;深度神经网络;数据集;自适应锚框调整
文章图片
Fig. 1 Examples of foxtail milletear
Fig. 2 Thearchitecture of YOLOv4
Fig. 3 Comparison curves of different models under different iteration times
Fig. 4 Qualitative comparison results of YOLOv2, YOLOv3 and YOLOv4 models
来源:《智慧农业(中英文)》2021年第1期
转载请联系编辑部授权
作者简介
郝王丽,中国科学院博士,山西农业大学软件学院教务科研办主任。主讲软件设计与体系结构机器学习,深度神经网络,图像处理,网络爬虫等课程。研究方向为计算机视觉,人工智能,智慧农业。目前主持省级项目一项,产学研项目三项,校级教改项目一项。发表国际期刊论文13篇,其中SCI论文9篇,已授权专利2项。山西CCF YOCESF会员,山西省科协大数据融合创新学会委员。
本期支持单位
Supporters
推荐阅读
阳旭等:利用多时序激光点云数据提取棉花表型参数方法(2021年第1期)
专访|杨万能教授:加强学科交叉融合,助力作物表型组学协同创新
张佳菲等:基于快速叶绿素荧光技术的油菜冠层生化参数垂直异质性分析(2021年第1期)
微信交流服务群
为方便农业科学领域读者、作者和审稿专家学术交流,促进智慧农业发展,为更好地服务广大读者、作者和审稿人,编辑部建立了微信交流服务群,有关专业领域内的问题讨论、投稿相关的问题均可在群里咨询。入群方法:加小编微信331760296,备注:姓名、单位、研究方向,小编拉您进群,机构营销广告人员勿扰。信息发布
科研团队介绍及招聘信息、学术会议及相关活动的宣传推广
求点赞