文献类型： 中文期刊

作者： 黄硕 ¹ ; 周亚男 ¹ ; 王起帆 ² ; 张晗 ¹ ; 邱朝阳 ³ ; 康凯 ³ ; 罗斌 ¹ ;

作者机构： 1.北京市农林科学院智能装备技术研究中心

2.河北农业大学机电工程学院

3.北京市农林科学院信息技术研究中心

关键词： 模型;小麦;单位面积麦穗数;深度学习;YOLOv5;CBAM

期刊名称： 农业工程学报

ISSN： 1002-6819

年卷期： 2022 年 016 期

页码： 235-242

收录情况： EI ; 北大核心 ; CSCD

摘要： 单位面积穗数是决定小麦产量的主要因素之一。针对人工清点小麦穗数的方法容易受主观因素影响、效率低和图像处理方法鲜有进行系统部署等问题，提出一种注意力模块（Convolutional Block Attention Module,CBAM）与YOLOv5相结合的CBAM-YOLOv5网络结构，通过对特征图进行自适应特征细化，实现更准确的单位面积穗数测量。该研究以本地采集小麦图像数据和网络公开小麦图像数据为数据集，设置输入图像分辨率为1 280，得到CBAM-YOLOv5模型，可以达到0.904的F1分数和0.902的平均精度，测试集计数的平均相对误差为2.56%，平均每幅图像耗时0.045 s，综合对比，CBAM-YOLOv5模型具有显著优势。模型放置于服务器，结合手机端软件和辅助装置，形成单位面积穗数测量系统，实现育种小区麦穗图像实时采集、处理和计数，计数的平均相对误差为2.80%，抗环境干扰性强。该研究方法与装置可以实现田间小麦单位面积穗数的实时在线检测，降低主观误差，具有较高的准确率及较强的鲁棒性，为小麦单位面积穗数快速、准确估测提供一种新的技术和装备支撑。