Print

单子叶作物叶片气孔自动识别与计数技术

论文摘要

为实现作物叶片气孔的自动识别与快速计数,该研究采用卷积神经网络中高计算效率的YOLOv3算法,开发了一种全自动气孔识别和计数解决方案。该算法优化了物体检测性能,可准确识别显微图像中的气孔。其中,对指甲油印迹法获得照片的气孔检测精确率、召回率和F1值分别为0.96,0.98和0.97,便携式显微镜拍摄法照片气孔检测精确率、召回率和F1值分别为0.95,0.98和0.96,具有很好的鲁棒性。该算法检测速度快,可实现对30帧/s的视频文件进行快速气孔识别,实现了实时检测。此外,采用拍摄的小麦叶片照片进行训练得到的气孔识别模型,还可同时实现对大麦、水稻和玉米等单子叶作物叶片气孔的识别,其中,大麦的检测精确率、召回率和F1值分别为0.94,0.83和0.88;水稻的检测精确率、召回率和F1值分别为0.89,0.42和0.57;玉米的检测精确率、召回率和F1值分别为0.91、0.76和0.83;显示出模型良好的泛化能力。

论文目录

  • 0 引言
  • 1 材料与方法
  •   1.1 试验设计
  •   1.2 图像获取
  •     1.2.1 指甲油印迹法
  •     1.2.2 便携式显微镜拍摄法
  •   1.3 图像标注
  •   1.4 数据集划分
  • 2 数据处理
  •   2.1 处理流程
  •   2.2 模型训练
  •   2.3 模型测试
  •   2.4 模型评估
  • 3 结果与分析
  •   3.1 指甲油印迹法在图片清晰度和模型性能方面均要优于便携式显微镜拍摄法
  •   3.2 YOLOv3算法在测试集中表现出良好的鲁棒性
  •   3.3 YOLO算法可实现气孔的实时检测
  •   3.4 该方法对其他单子叶作物的适用性
  • 4 讨论
  • 5 结论
  • 文章来源

    类型: 期刊论文

    作者: 孙壮壮,姜东,蔡剑,王笑,周琴,黄梅,戴廷波,曹卫星

    关键词: 卷积神经网络,机器视觉,模型,单子叶作物,气孔识别,计数,深度学习,实时检测

    来源: 农业工程学报 2019年23期

    年度: 2019

    分类: 农业科技,基础科学,信息科技

    专业: 生物学,计算机软件及计算机应用

    单位: 南京农业大学农业部小麦区域技术创新中心农业部南方作物生理生态重点开放实验室

    基金: 重点研发计划项目2016YFD0300107,国家自然科学基金(U1803235,31771693),国家现代小麦产业技术体系(CARS-03),江苏省协同创新中心(JCIC-MCP),“111”引智项目(B16026)

    分类号: TP391.41;Q945

    页码: 170-176

    总页数: 7

    文件大小: 1463K

    下载量: 184

    相关论文文献

    本文来源: https://www.lunwen90.cn/article/3cc543e3b5db951bdf23417b.html