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.

点击直达知网阅读

点击直达期刊官网阅读（免费，全文）

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 博士

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

京蓝云智物联网技术有限公司

浙江臻善科技股份有限公司

推荐阅读

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

求点赞每增加1个赞，小编绩效加5毛钱！