改进YOLOv5测量田间小麦单位面积穗数

• Published in: 农业工程学报 Vol. 38; no. 16; pp. 235 - 242
• Main Authors: 黄硕, 周亚男, 王起帆, 张晗, 邱朝阳, 康凯, 罗斌
• Format: Journal Article
• Language: Chinese
• Published: 国家农业智能装备工程技术研究中心,北京 100097%河北农业大学机电工程学院,保定 071000%北京市农林科学院信息技术研究中心,北京 100097 01.08.2022; 北京市农林科学院智能装备技术研究中心,北京 100097
• Subjects: 单位面积麦穗数; YOLOv5; CBAM; 小麦; 模型; 深度学习
• ISSN: 1002-6819
• DOI: 10.11975/j.issn.1002-6819.2022.16.026

S126; 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1280,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.