謝元澄 何 超 于增源 沈 毅 姜海燕,2 梁敬東

(1.南京農(nóng)業(yè)大學(xué)信息科學(xué)技術(shù)學(xué)院， 南京 210095； 2.南京農(nóng)業(yè)大學(xué)國(guó)家信息農(nóng)業(yè)工程技術(shù)中心， 南京 210095)

0 引言

小麥?zhǔn)俏覈?guó)的主要糧食作物，其產(chǎn)量關(guān)系到國(guó)家的糧食安全[1]。對(duì)小麥產(chǎn)量的精確估計(jì)可為政府在農(nóng)村土地政策、糧食價(jià)格等方面的宏觀(guān)調(diào)控提供支撐[2]。單位面積麥穗數(shù)直接體現(xiàn)小麥種植密度，是決定小麥產(chǎn)量的關(guān)鍵因素，其數(shù)據(jù)主要在田間獲取[3]，快速準(zhǔn)確地測(cè)量這一指標(biāo)可以大幅提高監(jiān)測(cè)小麥生長(zhǎng)性狀的效率，從而為小麥產(chǎn)量及其他表型性狀提供早期預(yù)測(cè)，有利于優(yōu)化和加速育種進(jìn)程。近年來(lái)，傳統(tǒng)圖像分割方法廣泛應(yīng)用于農(nóng)業(yè)領(lǐng)域，基于形狀[4]、顏色[5-9]或者紋理[5-7]特征對(duì)小麥RGB圖像進(jìn)行特征提取，并通過(guò)機(jī)器學(xué)習(xí)方法實(shí)現(xiàn)麥穗檢測(cè)計(jì)數(shù)，在一定程度上提高了小麥估產(chǎn)效率。以上方法僅適用于灌漿期[8]等小麥生長(zhǎng)的部分時(shí)期，這些時(shí)期小麥圖像各區(qū)域像素之間具有明顯的差異性。當(dāng)麥穗存在粘連或者長(zhǎng)勢(shì)不一時(shí)，僅僅依靠基于人工設(shè)定并提取特征的方法，其魯棒性較低。此外，特征提取方法流程也較為復(fù)雜，且對(duì)圖像采集設(shè)備具有較高的要求[10-12]。

計(jì)算能力的進(jìn)步以及大量標(biāo)記圖像的可用性促進(jìn)了基于卷積神經(jīng)網(wǎng)絡(luò)(Convolutional neural network, CNN)的機(jī)器學(xué)習(xí)方法在計(jì)算機(jī)視覺(jué)領(lǐng)域的應(yīng)用和發(fā)展[13]。在稻穗檢測(cè)計(jì)數(shù)研究中[14-16]，CNN具有良好的檢測(cè)效果，但存在流程復(fù)雜、算法耗時(shí)且受噪聲干擾影響較大的問(wèn)題。在將深度學(xué)習(xí)方法應(yīng)用于麥穗檢測(cè)計(jì)數(shù)的研究中，張領(lǐng)先等[17]利用CNN結(jié)合非極大值壓縮(Non-maximum suppression, NMS)的方法進(jìn)行冬小麥麥穗檢測(cè)計(jì)數(shù)，但需要預(yù)先對(duì)小麥圖像進(jìn)行手動(dòng)分割，且對(duì)麥穗重疊、目標(biāo)較小等復(fù)雜情況下的檢測(cè)未作說(shuō)明。另外，使用Faster R-CNN等單一模型對(duì)麥穗進(jìn)行檢測(cè)時(shí)[18-19]，由于訓(xùn)練過(guò)程中IOU(Intersection over union)閾值設(shè)定不規(guī)范以及訓(xùn)練和預(yù)測(cè)時(shí)的IOU閾值不匹配，容易造成模型過(guò)擬合，導(dǎo)致對(duì)小麥圖像細(xì)節(jié)特征提取不足、檢測(cè)性能大幅下降。

在復(fù)雜大田環(huán)境中，小麥麥穗、麥葉與莖稈之間的顏色混疊程度極高，葉片、雜草、麥芒與麥穗之間存在嚴(yán)重的遮擋現(xiàn)象，光照強(qiáng)度不均勻易形成反光和逆光，同時(shí)還存在部分尺寸較小的目標(biāo)隱藏在背景相似的環(huán)境中的問(wèn)題。為有效解決復(fù)雜場(chǎng)景下的麥穗檢測(cè)計(jì)數(shù)問(wèn)題，本文提出一種基于深度卷積神經(jīng)網(wǎng)絡(luò)的高效麥穗自動(dòng)計(jì)數(shù)方法(FCS R-CNN)，以Cascade R-CNN[20]為基本檢測(cè)模型，加入特征金字塔網(wǎng)絡(luò)，通過(guò)IOU閾值級(jí)聯(lián)的方式進(jìn)行階段融合，并在訓(xùn)練過(guò)程中對(duì)困難樣本進(jìn)行重學(xué)習(xí)。利用改進(jìn)的支持向量機(jī)(Support vector machine，SVM)[21]分類(lèi)器對(duì)所有檢出框進(jìn)行二分類(lèi)，將FCS R-CNN方法與現(xiàn)場(chǎng)人工計(jì)數(shù)進(jìn)行比較，以評(píng)估該方法在真實(shí)場(chǎng)景下的適用性。

1 樣本采集

試驗(yàn)所用小麥圖像于2018年6月4日在南京市江寧區(qū)(118°55′28.9236″ E，31°53′3.3432″ N)4塊正常條播小麥種植園獲取，小麥品種為“寧麥8號(hào)”，小麥處于成熟期。圖像采集設(shè)備為美國(guó)蘋(píng)果公司生產(chǎn)的iPhone 7型智能手機(jī)，1 200萬(wàn)像素。拍攝期間天氣晴朗，沒(méi)有大風(fēng)，圖像采集于11：00—14：00和16：00—19：00兩個(gè)時(shí)間段，光照強(qiáng)度不同，且拍攝角度隨機(jī)，大部分圖像采集角度小于等于45°，涵蓋了田間麥穗計(jì)數(shù)作業(yè)時(shí)所有可能的環(huán)境條件。拍攝位置距小麥冠層頂部約1 m，每塊小麥田約獲取300幅圖像，共獲取1 079幅分辨率為4 032像素×3 024像素的小麥圖像，部分小麥圖像如圖1所示。

圖1 大田環(huán)境下小麥圖像Fig.1 Wheat images in field environment

將采集到的1 079幅小麥圖像劃分為訓(xùn)練集863幅，測(cè)試集216幅，并對(duì)數(shù)據(jù)集進(jìn)行5折交叉驗(yàn)證。然后使用開(kāi)源圖像標(biāo)注工具LabelImg進(jìn)行人工圖像標(biāo)注。對(duì)標(biāo)注完成的圖像數(shù)據(jù)進(jìn)行分析，共標(biāo)注麥穗邊界框(Bounding box，Bbox)56 182個(gè)，其中訓(xùn)練集45 011個(gè)，測(cè)試集11 171個(gè)。然后將原始小麥圖像尺寸修改為1 333像素×800像素，并輸入到CNN網(wǎng)絡(luò)中提取特征，生成特征映射圖。

2 級(jí)聯(lián)網(wǎng)絡(luò)優(yōu)化

2.1 模型整體框架與改進(jìn)

第1階段采用改進(jìn)型Cascade R-CNN作為基本檢測(cè)模型，第2階段對(duì)模型中S0階段與S3階段進(jìn)行基于IOU閾值的級(jí)聯(lián)提升檢出率，最終接入一個(gè)基于圓形LBP紋理特征訓(xùn)練的SVM分類(lèi)器，濾除誤檢框，得到最終的算法框架FCS R-CNN(圖2)。

圖2 FCS R-CNN網(wǎng)絡(luò)模型結(jié)構(gòu)圖Fig.2 Structure diagram of FCS R-CNN

Cascade R-CNN是基于Faster R-CNN的網(wǎng)絡(luò)框架(圖2)。Faster R-CNN是由HE等[22]提出的目標(biāo)檢測(cè)網(wǎng)絡(luò)，作為R-CNN[23]與Fast R-CNN[24]網(wǎng)絡(luò)的改進(jìn)版本，在結(jié)構(gòu)上拋棄了傳統(tǒng)的滑動(dòng)窗口和選擇性搜索(Selective search)候選框生成方法，引入?yún)^(qū)域生成網(wǎng)絡(luò)(Region proposal network，RPN)，并與Fast R-CNN共享特征提取網(wǎng)絡(luò)，最終在檢測(cè)速度和平均精度上有較大提高。Cascade R-CNN對(duì)Faster R-CNN網(wǎng)絡(luò)中的RPN網(wǎng)絡(luò)生成的包圍框使用三步級(jí)聯(lián)，IOU閾值分別設(shè)定為0.5、0.6、0.7，級(jí)聯(lián)的過(guò)程不斷改變候選框的分布，并且通過(guò)調(diào)整閾值的方式重采樣，采樣后的每個(gè)檢測(cè)器都可以更好地適應(yīng)當(dāng)前閾值，提升檢測(cè)性能。

為使網(wǎng)絡(luò)能夠克服復(fù)雜背景信息的干擾，針對(duì)Cascade R-CNN中的Faster R-CNN子模塊，選取深度殘差神經(jīng)網(wǎng)絡(luò)(Residual neural network，ResNet)[25]作為基本的特征提取網(wǎng)絡(luò)，通過(guò)引入特征金字塔網(wǎng)絡(luò)(Feature pyramid network，F(xiàn)PN)[26]和在線(xiàn)難例挖掘(Online hard example mining，OHEM)[27]技術(shù)進(jìn)行改進(jìn)，改進(jìn)結(jié)果如圖3所示。

另外，對(duì)Cascade R-CNN模型進(jìn)行部分優(yōu)化，針對(duì)原始網(wǎng)絡(luò)中采用的批量歸一化(Batch normalization，BN)方法[28]受到Batch Size影響導(dǎo)致網(wǎng)絡(luò)性能下降的問(wèn)題，引入群組歸一化(Group normalization，GN)，將通道劃分成組，然后在每組中計(jì)算用于歸一化的均值和方差。另外，針對(duì)相鄰麥穗干擾導(dǎo)致的漏檢問(wèn)題，選取Soft-NMS算法代替?zhèn)鹘y(tǒng)的非極大值壓縮(Non-maximum suppression，NMS)[29]方法對(duì)特征圖中提取的候選感興趣區(qū)域(Regions of interest，ROI)進(jìn)行修剪，獲取候選框并輸入ROI pooling層進(jìn)行池化操作。為了區(qū)分于最終的檢測(cè)模型FCS R-CNN，并方便在試驗(yàn)結(jié)果中對(duì)FCS R-CNN模型效果進(jìn)行遞進(jìn)式的驗(yàn)證，將基于Cascade R-CNN優(yōu)化后的第1階段模型稱(chēng)作C R-CNN。

2.2 特征金字塔網(wǎng)絡(luò)

引入特征金字塔網(wǎng)絡(luò)提升模型對(duì)視覺(jué)場(chǎng)景中尺寸較小目標(biāo)的檢測(cè)精度。LIN等[26]提出的特征金字塔網(wǎng)絡(luò)作為一種高效的CNN特征提取方法，由自下而上路徑、自上而下路徑以及橫向連接組成，主要解決物體檢測(cè)時(shí)多尺度情形下存在的小目標(biāo)漏檢問(wèn)題，通過(guò)改變網(wǎng)絡(luò)連接，在不增加原有模型計(jì)算量的前提下可大幅度提升小物體檢測(cè)的性能。如圖3所示，F(xiàn)PN使用一個(gè)1×1的卷積過(guò)濾器將C5的通道深度降至256維，得到特征圖M5。接著應(yīng)用一個(gè)3×3的卷積得到特征圖P5，P5正是用于目標(biāo)預(yù)測(cè)的第一個(gè)特征映射。向上進(jìn)行最近鄰下采樣(×2)得到P6，然后沿著自頂向下的路徑往下，對(duì)之前的特征提取層進(jìn)行最近鄰上采樣(×2)。同時(shí)，F(xiàn)PN對(duì)自底向上通路中的相應(yīng)特征映射應(yīng)用1×1卷積，然后進(jìn)行相加。最后同樣應(yīng)用3×3卷積得到目標(biāo)檢測(cè)的特征映射。這一過(guò)濾器減輕了上采樣的混疊效應(yīng)。

圖3 改進(jìn)的Faster R-CNN子模塊Fig.3 Improved Faster R-CNN submodule

2.3 在線(xiàn)難例挖掘

對(duì)于復(fù)雜場(chǎng)景中的麥穗檢測(cè)而言，存在大量特征相似的正負(fù)樣本，這些樣本在訓(xùn)練過(guò)程中造成了較大干擾，導(dǎo)致模型預(yù)測(cè)誤差放大，因此引入在線(xiàn)難例挖掘技術(shù)，針對(duì)性地解決這一問(wèn)題。OHEM在訓(xùn)練過(guò)程中會(huì)自動(dòng)選擇那些困難樣本加入訓(xùn)練，這樣使得訓(xùn)練更加有效和快速，同時(shí)能提升網(wǎng)絡(luò)的性能。如圖3所示，將Faster R-CNN分為2個(gè)階段，第1階段包括通過(guò)特征提取網(wǎng)絡(luò)對(duì)輸入圖像進(jìn)行特征提取并輸入ROI pooling層，該階段對(duì)輸入圖像進(jìn)行特征提取并收集輸入的特征圖像，提取目標(biāo)特征圖(Proposal feature maps)。第2階段包括ROI pooling層之后的所有層。將第2階段作為一個(gè)單獨(dú)的ROI網(wǎng)絡(luò)，接著將該網(wǎng)絡(luò)分成2個(gè)網(wǎng)絡(luò)，ROI網(wǎng)絡(luò)1是只讀的，對(duì)所有樣本進(jìn)行前向傳播得到所有ROI的損失值，接著難例取樣器(Hard ROI sampler)根據(jù)損失值排序，利用NMS選出K個(gè)難例(Hard example)，并把這些難例作為ROI網(wǎng)絡(luò)2的輸入，ROI網(wǎng)絡(luò)2對(duì)ROI進(jìn)行進(jìn)一步的前向和反向傳播，計(jì)算K個(gè)難例的損失值，并將梯度反向傳播，從而更新網(wǎng)絡(luò)參數(shù)。通過(guò)損失值提高難例的比例，網(wǎng)絡(luò)因此可以對(duì)難例進(jìn)行多次訓(xùn)練，提升模型準(zhǔn)確率。

3 試驗(yàn)與結(jié)果分析

3.1 試驗(yàn)設(shè)置

對(duì)采集的1 079幅小麥數(shù)據(jù)進(jìn)行訓(xùn)練。軟件環(huán)境為pytorch1.0.0、CUDA 9.0、CUDNN7.6.1、Ubuntu 16.04 LTS。訓(xùn)練的硬件環(huán)境為Intel Xeon E5-2650 v3 CPU，128 GB存儲(chǔ)器，NVIDIA GTX Titan XP*2 GPU。利用隨機(jī)梯度下降法(Stochastic gradient descent，SGD)訓(xùn)練網(wǎng)絡(luò)，初始學(xué)習(xí)率(Learning rate)設(shè)置為0.001，動(dòng)量因子(Momentum)設(shè)置為0.9，權(quán)重衰減系數(shù)( Weight decay)設(shè)置為0.000 1，迭代次數(shù)(Epoch)設(shè)置為200。

3.2 麥穗檢測(cè)試驗(yàn)

為驗(yàn)證FCS R-CNN模型在復(fù)雜場(chǎng)景下的麥穗檢測(cè)效果，針對(duì)FCS R-CNN中的2個(gè)階段，分別設(shè)計(jì)兩部分試驗(yàn)。試驗(yàn)1對(duì)比Cascade R-CNN和C R-CNN兩種算法的檢測(cè)結(jié)果，驗(yàn)證級(jí)聯(lián)網(wǎng)絡(luò)優(yōu)化方法對(duì)Cascade R-CNN模型檢測(cè)性能的提升效果。試驗(yàn)2展示FCS R-CNN的部分麥穗檢測(cè)結(jié)果，在C R-CNN基礎(chǔ)上，利用兩階段級(jí)聯(lián)并串聯(lián)SVM分類(lèi)器的結(jié)構(gòu)改進(jìn)方法，驗(yàn)證模型的性能提升效果。

圖4 Cascade R-CNN與C R-CNN檢測(cè)結(jié)果對(duì)比Fig.4 Comparison of Cascade R-CNN and C R-CNN detection results

試驗(yàn)1隨機(jī)選取兩幅測(cè)試集圖像(圖A、B)分別輸入到Cascade R-CNN與C R-CNN網(wǎng)絡(luò)，進(jìn)行麥穗檢測(cè)效果對(duì)比，具體的識(shí)別結(jié)果如圖4所示。對(duì)圖4c、4d的局部進(jìn)行放大便于觀(guān)察。通過(guò)圖4可以明顯看出，C R-CNN檢出大量Cascade R-CNN漏檢的麥穗目標(biāo)(圖中黃色框標(biāo)記)。圖4c中4號(hào)、圖4d中1號(hào)藍(lán)色框標(biāo)出的是C R-CNN誤檢的目標(biāo)，該目標(biāo)與正樣本擬合程度較高，但是屬于麥芒，因此屬于假陽(yáng)性(False positive，F(xiàn)P)。利用Cascade R-CNN網(wǎng)絡(luò)檢測(cè)驗(yàn)證集，共檢測(cè)8 523個(gè)麥穗目標(biāo)，并存在大量假陰性(False negative，F(xiàn)N)目標(biāo)，圖5給出了部分假陽(yáng)性和假陰性樣例，其中假陰性目標(biāo)周?chē)蠖嘤写罅葵溍ⅰⅪ溔~等遮擋物。對(duì)于漏檢目標(biāo)(假陰性)，將NMS改為Soft-NMS來(lái)減少相鄰目標(biāo)重疊導(dǎo)致的冗余框誤刪，可以提升相鄰較近目標(biāo)的檢測(cè)率，兩種方法對(duì)比結(jié)果如圖6所示。

圖5 部分假陽(yáng)性和假陰性的樣例Fig.5 Examples of partial false positives and false negatives

圖6 Soft-NMS與NMS算法結(jié)果對(duì)比Fig.6 Comparison of Soft-NMS and NMS algorithm results

圖7 FCS R-CNN部分檢測(cè)結(jié)果Fig.7 Partial detection results of FCS R-CNN

試驗(yàn)2針對(duì)上述廣域復(fù)雜環(huán)境下生長(zhǎng)的小麥，利用FCS R-CNN對(duì)麥穗進(jìn)行檢測(cè)。圖7展示了部分檢測(cè)結(jié)果，圖中綠框表示C R-CNN的檢測(cè)結(jié)果，藍(lán)框表示階段級(jí)聯(lián)后增加的檢出框。當(dāng)麥穗密度較高時(shí)，大量麥芒遮擋周?chē)溗耄泊嬖诓糠蛀溗胫丿B現(xiàn)象，可以看出，F(xiàn)CS R-CNN能夠?qū)崿F(xiàn)多種復(fù)雜情形下的麥穗檢測(cè)，并且相對(duì)于C R-CNN有了更進(jìn)一步的性能提升。

3.3 結(jié)果分析

對(duì)圖4中兩種算法結(jié)果的對(duì)比分析可知，復(fù)雜場(chǎng)景是影響麥穗檢測(cè)精度、造成假陰性目標(biāo)產(chǎn)生的主要原因，具體包括：①小麥長(zhǎng)勢(shì)不一，大量麥芒、麥葉的存在嚴(yán)重阻礙了麥穗識(shí)別(圖4c中1、5、6號(hào)框，圖4d中4、5號(hào)框)。②背景中存在與麥穗顏色相近的雜草等類(lèi)似物，試驗(yàn)前未對(duì)雜草進(jìn)行單獨(dú)標(biāo)注，引起干擾，從而影響麥穗檢測(cè)。③部分目標(biāo)由于在視覺(jué)場(chǎng)景中顯示尺寸較小且密集，在背景相似的環(huán)境中，此類(lèi)小尺寸目標(biāo)極易受到環(huán)境噪聲的干擾(圖4c中2號(hào)框，圖4d中2、5號(hào)框)。④麥穗之間存在相互重疊遮蓋現(xiàn)象，不能正確識(shí)別(圖4c中3號(hào)框，圖4d中3、4號(hào)框)。

對(duì)圖7中FCS R-CNN的檢測(cè)結(jié)果進(jìn)行分析可知，C R-CNN相對(duì)于FCS R-CNN的漏檢麥穗(圖中藍(lán)色框)，是由Cascade R-CNN本身存在缺陷導(dǎo)致，這可能與IOU閾值的提高有關(guān)。Cascade R-CNN由3個(gè)檢測(cè)模型組成，每個(gè)檢測(cè)模型都基于不同IOU閾值來(lái)區(qū)分正負(fù)樣本，前一個(gè)檢測(cè)模型的輸出為后一個(gè)檢測(cè)模型的輸入，因此，在閾值提高的過(guò)程中，閾值較低時(shí)或處于兩個(gè)閾值中間的正樣本會(huì)出現(xiàn)遺漏，導(dǎo)致網(wǎng)絡(luò)在訓(xùn)練過(guò)程中遺失掉部分候選區(qū)域(Region proposal)。

為了驗(yàn)證FCS R-CNN模型與單一網(wǎng)絡(luò)模型的性能差異，選取相同樣本數(shù)據(jù)集分別用FCS R-CNN、C R-CNN、Cascade R-CNN、Faster R-CNN 4種模型進(jìn)行訓(xùn)練并將訓(xùn)練后的模型應(yīng)用于真實(shí)環(huán)境下的大田麥穗計(jì)數(shù)中，對(duì)模型訓(xùn)練結(jié)果使用準(zhǔn)確率(Accuracy)、精度(Precision)、召回率(Recall)和平均精度(Average precision，AP)對(duì)試驗(yàn)結(jié)果進(jìn)行綜合評(píng)價(jià)，計(jì)算公式為

(1)

(2)

(3)

(4)

式中Acc——準(zhǔn)確率

P——精度

R——召回率

AP——平均精度

TP——真陽(yáng)性，圖像中正確檢測(cè)出的目標(biāo)麥穗數(shù)量

FP——假陽(yáng)性，圖像中將背景誤識(shí)別為麥穗的數(shù)量

TN——真陰性，圖像中檢測(cè)出的負(fù)樣本數(shù)量

FN——假陰性，圖像中漏檢的麥穗數(shù)量

表1給出了4種算法在相同測(cè)試集下的檢測(cè)結(jié)果。IOU為0.5時(shí) FCS R-CNN的平均精度取得最大值，比Cascade R-CNN高29.98個(gè)百分點(diǎn)，比Faster R-CNN高48.09個(gè)百分點(diǎn)。圖8給出了其中3種算法精度與召回率的關(guān)系曲線(xiàn)，用來(lái)權(quán)衡準(zhǔn)確率和召回率的關(guān)系。由圖8可以看出，F(xiàn)CS R-CNN在召回率小于80%時(shí)精度維持在較高水平，高于另外兩種算法，進(jìn)一步證明FCS R-CNN性能上的優(yōu)越性。FCS R-CNN的圖像檢測(cè)速度達(dá)到3 f/s，能夠滿(mǎn)足大田麥穗自動(dòng)計(jì)數(shù)的需求。

表1 4種算法性能對(duì)比Tab.1 Performance comparison of four algorithms

圖8 FCS R-CNN精度與召回率關(guān)系曲線(xiàn)Fig.8 Relationship curves of precision and recall of FCS R-CNN

Cascade R-CNN、C R-CNN與FCS R-CNN 3種模型的麥穗計(jì)數(shù)結(jié)果如表2所示。從表2中可以看出，應(yīng)用FCS R-CNN模型的麥穗統(tǒng)計(jì)精度普遍高于95%，在麥穗較少的圖像中能實(shí)現(xiàn)全檢。216幅小麥圖像中，共標(biāo)注11 171個(gè)麥穗，共檢出10 373個(gè)麥穗，檢測(cè)精度達(dá)到92.9%。

表2 人工計(jì)數(shù)與算法計(jì)數(shù)的麥穗統(tǒng)計(jì)對(duì)比Tab.2 Comparison of manual counting and algorithm counting of wheat ear

不同算法統(tǒng)計(jì)結(jié)果表明，單一級(jí)聯(lián)模型的識(shí)別結(jié)果容易受到IOU的影響，這是由于IOU提升會(huì)導(dǎo)致部分正樣本遺漏，造成正負(fù)樣本失衡，從而影響麥穗識(shí)別效果。面對(duì)復(fù)雜場(chǎng)景中麥芒、枯葉、雜草等環(huán)境噪聲的干擾，會(huì)出現(xiàn)大量漏檢的麥穗，通過(guò)模型階段級(jí)聯(lián)的方法，可以進(jìn)一步降低漏檢率。

4 結(jié)論

(1)針對(duì)復(fù)雜場(chǎng)景中麥穗檢測(cè)精度較低的問(wèn)題，提出一種基于深度卷積神經(jīng)網(wǎng)絡(luò)的麥穗計(jì)數(shù)方法(FCS R-CNN)。試驗(yàn)表明，在單一網(wǎng)絡(luò)模型的基礎(chǔ)上，對(duì)網(wǎng)絡(luò)進(jìn)行結(jié)構(gòu)改進(jìn)可以有效提高對(duì)復(fù)雜目標(biāo)的檢測(cè)性能。FPN的加入提升了對(duì)淺層細(xì)節(jié)特征的利用率，OHEM技術(shù)可以降低復(fù)雜背景信息對(duì)目標(biāo)分割的干擾，并提高對(duì)小目標(biāo)的檢測(cè)精度；FCS R-CNN在大田環(huán)境下對(duì)麥穗的檢測(cè)精度達(dá)到92.9%，單幅麥穗圖像的檢測(cè)時(shí)間為0.357 s，具有較強(qiáng)的實(shí)時(shí)性和魯棒性。

(2)FCS R-CNN通過(guò)兩階段級(jí)聯(lián)并串聯(lián)SVM分類(lèi)器對(duì)結(jié)果進(jìn)行復(fù)驗(yàn)，能夠有效解決因IOU閾值設(shè)定不規(guī)范而導(dǎo)致模型準(zhǔn)確率下降的問(wèn)題。算法的平均精度達(dá)到了81.22%，比Cascade R-CNN模型高21.76個(gè)百分點(diǎn)。IOU為0.5時(shí)平均精度為90.10%。