检索结果-内蒙古大学图书馆

作者：王璐吉林农业大学

学位级别：硕士

玉米是我国主要的大田作物之一,叶片是其生长发育的重要标志,玉米幼苗的叶片计数对评估其种子活性、产量等具有重要意义。大田环境复杂、相邻幼苗叶片交叉遮掩等问题会导致叶片检测困难,无法对单个玉米苗植株进行叶片计数。针对以上问题... 详细信息

玉米是我国主要的大田作物之一,叶片是其生长发育的重要标志,玉米幼苗的叶片计数对评估其种子活性、产量等具有重要意义。大田环境复杂、相邻幼苗叶片交叉遮掩等问题会导致叶片检测困难,无法对单个玉米苗植株进行叶片计数。针对以上问题,本文以苗期玉米为研究对象,基于深度学习和无人机影像提出两阶段的大田玉米苗分割与叶片计数方法,第一阶段采用Mask R-CNN分割大田背景下的玉米苗,第二阶段采用YOLOv5检测玉米苗叶片并计数。由于深度学习方法依赖于大量人工标注,耗时费力,后续采用半监督学习方法训练模型,以减少数据标注工作量。本文主要研究内容如下:(1)构建玉米苗数据集。本文应用无人机搭载RGB相机采集2-6叶期大田玉米苗影像,从中裁剪1005张图像用于构建数据集。为了提高模型的泛化能力,采用多种数据增强方式对数据进行扩充。(2)基于改进Mask R-CNN的玉米苗分割。提出了新的损失函数Smooth LR用于提高Mask R-CNN的分割性能,将完整玉米苗从复杂背景中分离出来。对比了Resnet50和Resnet101对模型分割性能的影响。结果表明,主干网络为Resnet50时改进后的Mask R-CNN分割性能最好,Bbox m AP为96.9%,Mask m AP为95.2%,单张图像的检测框与掩膜推理时间分别为0.05s和0.07s。(3)基于YOLOv5的玉米苗叶片计数。基于改进Mask R-CNN分割的玉米苗前景图,应用5个参数量不同的YOLOv5模型对玉米苗叶片进行计数,选取计数能力最强的模型,并将其与主流模型Faster R-CNN和SSD进行对比。结果表明,YOLOv5x检测叶片的综合性能更强,玉米苗完全展开叶与新叶的平均精确率分别为89.6%和54.0%,计数正确率分别为72.9%和75.3%。(4)基于半监督学习的玉米苗分割及叶片计数。采用半监督学习方法Noisy Student训练玉米苗分割模型SOLOv2和玉米苗叶片计数模型YOLOv5x。结果表明,当有标签比例为30%时学生模型SOLOv2的分割性能接近全监督模型的分割性能,m AP为93.6%。当有标签比例为40%时,学生模型YOLOv5x的叶片计数性能与全监督模型性能相近,完全展开叶与新叶检测平均精确率分别为89.6%、57.4%,计数正确率分别为69.4%、72.9%。以上结果表明,本文提出的两阶段深度学习策略可有效分割基于无人机数码影像的玉米苗,并对叶片进行计数。半监督学习方法不仅可以准确获取玉米苗叶片数,还能减少65%的数据标注成本,可为探索基于无人机获取大田作物叶片计数方法提供新思路。

关键词：玉米苗无人机叶片计数深度学习半监督学习

来源：评论

学校读者我要写书评

暂无评论

减少特征差异的无监督跨域叶片计数方法

减少特征差异的无监督跨域叶片计数方法

引用

作者：梅杰武汉轻工大学

学位级别：硕士

草本植物对于人类十分重要,其可以入药或作为食材给人体补充每日所需的维生素、钙元素等。监测植物的叶片生长情况可以有效预测最终产量,人眼目测法作为仍被使用的叶片计数方法,有很强的主观性,往往会因为人眼疲劳导致计数效果不佳。除... 详细信息

草本植物对于人类十分重要,其可以入药或作为食材给人体补充每日所需的维生素、钙元素等。监测植物的叶片生长情况可以有效预测最终产量,人眼目测法作为仍被使用的叶片计数方法,有很强的主观性,往往会因为人眼疲劳导致计数效果不佳。除此之外,传统的有监督任务存在泛化能力差的弱点,通常需要大量的训练集来完成某一个特定场景下的任务。本文提出了一种能应对不同场景下的叶片计数任务方法,无需重新标注制作特定的数据集,省去大量的人工成本。该方法基于密度图估计法,仅使用带有标注信息的公开拟南芥叶片数据集,便可在其他两个无需标注信息的拟南芥和小菘菜数据集上完成跨域叶片计数任务。为了解决现有无监督跨域计数方法精度不高和特征映射问题,本文提出一种能够有效减少源域和目标域之间特征差异的方法,在一定程度上解决了跨域叶片计数的精度问题和特征映射缺陷。本文的主要工作如下:(1)针对传统的有监督叶片计数方法的泛化能力差问题,提出一种新的无监督跨域解决方法,该方法具有以下特点:a)针对目标域,它是一种无监督的方法,无需对目标域采集图像进行人工标注;b)对于多个不同场景下的相同任务,具有普通有监督任务无法达到的泛化能力;c)改善了现有的无监督跨域叶片计数方法的特征映射缺陷,提升了计数精度。(2)本文改进了循环生成式对抗网络的生成器,以生成质量较高的“伪数据”。同时本文采用了基于无需高斯核函数生成密度图的贝叶斯损失函数概率密度图估计法,使得模型具有更好的密度图生成性能。(3)在公开的三个叶片数据集上进行了测试,实验定性结果和定量结果表明,本方法在两个目标域数据集上精度均有大幅度的提升,高于相同数据集上先进的跨域叶片计数方法。

关键词：无监督深度学习域自适应叶片计数密度图估计

来源：评论

学校读者我要写书评

暂无评论

LU-ReNet植物叶片分割与计数模型

引用

计算机工程与设计 2022年第2期43卷 553-559页

作者：邹龙王以松魏昆鹏彭啟文王玮王运乾贵州大学计算机科学与技术学院贵州贵阳550025 贵州大学公共大数据国家重点实验室贵州贵阳550025 中国移动通信集团设计院有限公司河南郑州450003

为完成一种植物叶片分割与计数模型LU-ReNet,利用Xception module和CoordConv改进模型编码器,通过改进的ReNet模型并参照Unet模型结构将CNN和RNN结合在一起。在CVPPP的A1、A2、A3基准数据集上,LU-ReNet模型取得了0.95的平均F1-score、95.54%的平均前景-背景Dice(FBD%)、0.95的平均召回率和1.91的平均计数差分绝对值(|Dic|)。在A2基准数据集上,该模型表现超越大部分最新算法。实验结果表明,该网络在拥有高分割准确率的同时具有良好的泛化能力。

关键词：叶片分割植物表型深度神经网络卷积神经网络叶片计数

来源：评论

学校读者我要写书评

暂无评论

基于多视角时间序列图像的植物叶片分割与特征提取

引用

农业机械学报 2022年第1期53卷 253-260页

作者：娄路吕惠宋然重庆交通大学信息科学与工程学院重庆400074 山东大学控制科学与工程学院济南250061

为了解决多种类植物在生长过程中不同时间点动态变化表型参数提取困难问题,提出了一种基于多视角时间序列图像和深度卷积神经网络Mask RCNN的植物茎叶实例分割方法,在拟南芥、玉米和酸浆属3种代表性植物上进行了实验。结果表明,训练得... 详细信息

为了解决多种类植物在生长过程中不同时间点动态变化表型参数提取困难问题,提出了一种基于多视角时间序列图像和深度卷积神经网络Mask RCNN的植物茎叶实例分割方法,在拟南芥、玉米和酸浆属3种代表性植物上进行了实验。结果表明,训练得到的基于Mask-RCNN的植物分割模型对在不同生长时期的植物茎叶的识别精度(mAP_(0.5))大部分在70.0%以上,最高可以达到87.5%,模型通用性较好。同时,针对茎叶遮挡问题提出的基于多视角图像的跟踪算法,可进一步提高植物茎叶参数提取的准确率。本文提出的以茎叶为代表的植物器官分割和特征提取方法具有性能高效、成本低、通用性和扩展性好的优势,可为不同场景下植物全生长过程中的多表型参数提取提供参考。

关键词：植物表型实例分割特征提取 Mask-RCNN 叶片计数时间序列图像

来源：评论

学校读者我要写书评

暂无评论

复杂大田场景下基于改进YOLOv8的小麦幼苗期叶片数快速检测方法

引用

智慧农业（中英文） 2024年第4期6卷 128-137页

作者：侯依廷饶元宋贺聂振君王坦何豪旭安徽农业大学信息与人工智能学院安徽合肥230036 农业农村部农业传感器重点实验室安徽合肥230036 智慧农业技术与装备安徽省重点实验室安徽合肥230036 安徽农业大学农学院安徽合肥230036

[目的/意义]小麦叶片数是衡量植株生长状况、确定茎蘖动态、调节群体结构的重要指标之一。目前大田环境下小麦叶片计数主要依靠人工、耗时耗力,而现有的自动化检测计数方法的效率与精度难以满足实际应用需求。为提高小麦叶片数检测的准... 详细信息

[目的/意义]小麦叶片数是衡量植株生长状况、确定茎蘖动态、调节群体结构的重要指标之一。目前大田环境下小麦叶片计数主要依靠人工、耗时耗力,而现有的自动化检测计数方法的效率与精度难以满足实际应用需求。为提高小麦叶片数检测的准确性,设计了一种复杂大田环境下高效识别小麦叶尖的算法。[方法]本研究以手机和田间摄像头获取的可见光图像构建了两种典型光照条件下出苗期、分蘖期、越冬期等多个生长期的小麦叶片图像数据集。以YOLOv8为基础网络,融合坐标注意力机制降低背景环境的干扰,提高模型对小麦叶尖轮廓信息的提取能力;替换损失函数加快模型收敛速度;增加小目标检测层提高对小麦叶尖的识别效果,降低漏检率。设计了一种适用于叶尖小目标识别的深度学习网络,通过检测图像叶尖数量从而得出叶片数。[结果与讨论]本研究提出的方法对小麦叶尖的识别精确率和mAP0.5分别达到91.6%和85.1%,具有良好的检测效果。在复杂大田环境下该方法具有更好的适应能力,能够在不同光照条件下实现自适应检测,模型鲁棒性强。小麦幼苗期叶片检测漏检率低,说明该方法能够满足复杂大田场景下小麦叶尖识别的需求,提高了小麦叶片数检测的准确性。[结论]本研究可为复杂大田场景下小麦叶片数检测的研究提供参考,为小麦长势高质量评估提供技术支撑。

关键词：小麦叶片叶尖识别叶片计数注意力机制 YOLOv8 深度学习

来源：评论

学校读者我要写书评

暂无评论

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案：

请选择收藏分类：

通借通还

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：