麦类作物学报

作者：张合涛，赵春江，王传宇,郭新宇，李大壮,苟文博

单位：1.西北农林科技大学信息工程学院,陕西杨凌 712100；2.北京农业信息技术研究中心,北京 100097；3.国家农业信息化工程技术研究中心/数字植物北京市重点实验室,北京 100097

关键词：小麦麦穗,卷积神经网络,特征提取,特征融合,损失函数,麦穗识别检测模型,

基金：北京市农林科学院作物表型组学协同创新中心资助项目

为提高卷积神经网络对麦穗的识别检测精度，在YOLOv5检测模型基础上提出改进的识别检测模型YOLOv5-αTB，在特征提取网络末端部分加入Transformer模块，强化特征提取网络对小麦麦穗图像的颜色、纹理、几何等特征的提取，在特征融合部分将路径聚合网络（path aggregation network，PANet）替换成加权双向特征金字塔（bidirectional feature pyramid network，BiFPN），进一步优化多尺度特征的融合。针对边界框回归损失函数的计算方式IoU的局限性，引入了α-CIoU加强了边界框回归的效果。利用YOLOv5-αTB检测模型在测试集上得到的精确度（precision）、召回率（recall）和平均精度(average precision，AP)分别是99.95%、81.86%和88.64%，在平均精度上相比于传统的YOLOv5模型提升2.92个百分点。该模型检测统计麦穗数量对比人工计数结果，识别检测精度约为97.00%。

来源：2023年第6期

《麦类作物学报》期刊编辑部

查看麦类作物学报杂志2023年第6期