数字农科院2.0

一种基于密度估计和VGG-Two的大豆籽粒快速计数方法

文献类型： 中文期刊

作者： 王莹;李越;武婷婷;孙石;王敏娟

作者机构：

关键词： 卷积神经网络;籽粒计数;籽粒图像;点标注;密度图;VGG-Two;育种

期刊名称：智慧农业(中英文)

ISSN： 2096-8094

年卷期： 2021 年

页码：

收录情况： 农林核心（2020版）

摘要： 为快速准确计数大豆籽粒，提高大豆考种速度和育种水平，本研究提出了一种基于密度估计和VGG-Two（VGG-T）的大豆籽粒计数方法。首先针对大豆籽粒计数领域可用图像数据集缺乏的问题，提出了基于数字图像处理技术的预标注和人工修正标注相结合的快速目标点标注方法，加快建立带标注的公开可用大豆籽粒图像数据集。其次构建了适用于籽粒图像数据集的VGG-T网络计数模型，该模型基于VGG16，结合密度估计方法，实现从单一视角大豆籽粒图像中准确计数籽粒。最后采用自制的大豆籽粒数据集对VGG-T模型进行测试，分别对有无数据增强的计数准确性、不同网络的计数性能以及不同测试集的计数准确性进行了对比试验。试验结果表明，快速目标点标注方法标注37,563个大豆籽粒只需花费197 min，比普通人工标注节约了1592 min，减少约96%的人工工作量，大大降低时间成本和人工成本；采用VGG-T模型计数，其评估指标在原图和patch情况下的平均绝对误差分别为0.6和0.2，均方误差为0.6和0.3，准确性高于传统图像形态学操作以及ResNet18、ResNet18-T和VGG16网络。在包含不同密度大豆籽粒的测试集中，误差波动较小，仍具有优良的计数性能，同时与人工计数和数粒仪相比，计数11,350个大豆籽粒分别节省大约2.493h和0.203h，实现大豆籽粒的快速计数任务。

分类号：

  • 相关文献

[1]基于可见光图像和卷积神经网络的冬小麦苗期长势参数估算. 马浚诚,刘红杰,郑飞翔,杜克明,张领先,胡新,孙忠富. 2019

[2]基于卷积神经网络的温室黄瓜病害识别系统. 马浚诚,杜克明,郑飞翔,张领先,孙忠富. 2018

[3]基于卷积神经网络的冬小麦麦穗检测计数系统. 张领先,陈运强,李云霞,马浚诚,杜克明. 2019

[4]基于深度卷积神经网络的红树林物种无人机监测研究. 黄亦其,刘琪,赵建晔,黄文善,孙中宇,乔曦. 2020

[5]卷积神经网络在高分辨率影像分类中的应用. 李贤江,陈佑启,邹金秋,石淑芹,郭涛,蔡为民,陈浩. 2019

[6]基于卷积神经网络的水稻纹枯病图像识别. 刘婷婷,胡林,王婷. 2019

[7]基于MSRA初始化卷积神经网络的草地牧草分类研究. 刘一磊,刘江平,赵烜赫,马玉宝,闫伟红,潘新. 2021

[8]基于卷积神经网络的水稻虫害识别方法. 郭阳,许贝贝,陈桂鹏,丁建,严志雁,梁华,吴昌华. 2021

[9]基于集成深度学习模型的耕地地块提取. 程锐,魏妍冰,陆苗,吴文斌. 2022

[10]基于卷积神经网络的互花米草识别研究. 李岩舟,何艳洲,覃锋,钱万强,吴媚,乔曦. 2023

[11]基于深度学习模型的种植结构复杂区农作物精细分类研究. 田甜,王迪,王珍,李会宾. 2022

[12]常态养殖下妊娠母猪体质量智能测定模型. 肖德琴,刘俊彬,刘又夫,黄一桂,谭祖杰,熊本海. 2022

[13]基于剪枝的植物病害识别方法. 朱冬琴,冯全,张建华. 2023

[14]深度学习在植物叶部病害检测与识别的研究进展. 邵明月,张建华,冯全,柴秀娟,张凝,张文蓉. 2022

[15]基于Yolo的结直肠息肉CT影像分析算法研究. 代国威,晏静香. 2021

[16]基于迁移学习和卷积神经网络的生菜鲜重估测. 崔庭源,杨其长,张义,徐丹,马浚诚. 2022

[17]图像网络爬虫在食品营养安全科普监测中的应用研究. 田鑫宇,刘蕾,吴金聪,朱大洲. 2023

[18]基于改进YOLOv8的自然环境下柑橘果实识别. 余圣新,韦莹莹,方辉,李敏,柴秀娟,曾志康,覃泽林. 2024

[19]基于CNN与LSTM的烟叶烘烤阶段识别方法. 闫九福,冉茂,朱荣光,王松峰,徐小洪,杨超,张学杰,孙福山,孟令峰. 2024

[20]卷积神经网络在农业遥感图像语义分割中的应用综述. 徐乐园,毛克彪,郭中华,葛非凡,赵瑞. 2024

作者其他论文 更多>>