基于多尺度残差U-net网络和注意力自对抗网络的小麦计数方法研究

发布时间：2022-01-22 05:59

　　小麦计数一直是我国乃至世界进行地区产量估计与小麦表型分析的重要组成部分,由于前期准确预测小麦的产量主要依靠农业工作者深入田间进行人工计数,这种计数方法不仅费时,而且数据具有很强的主观性,统计的方法也缺乏统一的规范,这些很不利于国家准确地进行小麦产量的预估和分析,进而影响国家对于小麦生产的指导和决策,因而自动小麦计数得到了科研者的广泛关注。自动小麦计数是计算机视觉的一大挑战,有效的小麦计数方法需要解决小麦图像中背景复杂、目标粘连严重、存在相互遮挡、光照变化不均匀等问题。传统的小麦计数大多数是通过手动提取一些特征信息,如颜色特征,形状特征,梯度直方图特征等构建小麦的麦穗模型,虽然这些特征信息能够大致识别麦穗的位置,但在遇到复杂背景和光照变化等情况下会使模型的识别效果变差。随着深度卷积神经网络（DCNN）的兴起和其强大的特征提取能力,它被大量农业科研者所研究,并将其应用到农业的各个方面。本文为了更好地实现小麦计数,对深度卷积神经网络进行了研究,并在此基础上构建了多尺度残差深度卷积神经网络用于小麦计数任务,提高了小麦计数的精度。同时,自然场景中的麦穗图像存在目标互相遮挡问题,深度卷积生成对抗网... 

【文章来源】：安徽大学安徽省 211工程院校

【文章页数】：70 页

【学位级别】：硕士

【部分图文】：

严重遮挡

安徽大学硕士学位论文5图1.1严重遮挡Fig.1.1Severeocclusion（2）密度分布不一。由于小麦存在着播种随机性，生长不确定性和土壤的肥沃性等不同因素造成同一片区域小麦的密度分布不一。如图1.2所示，能够直观的反应小麦生长分布的不均匀性。图1.2密度分布不一Fig.1.2Differentdensitydistributions（3）透视视角。相机在田间拍摄大面积小麦过程中会存在着视角透视现象，如图1.3所示，那些距离相机较近的小麦可能会占有几十上百个像素点，相反，距离相机较远的小麦可能只占有几个像素点。

第一章绪论6图1.3透视视角Fig.1.3Perspective（4）光照等外界因素。自然场景中经常会遇到包括天气和光照强度等不可抗拒的自然因素导致获取的小麦图像中的小麦不易被识别，进而大大降低算法的精度。如图1.4所示。图1.4光照等外界因素Fig.1.4Externalfactorssuchaslighting1.3本文主要研究内容随着计算机视觉的发展和计算机硬件的快速迭代，都为小麦计数提供了新的方法和途径，同时计算性能的提升也让深度学习等方法在小麦计数以及表型分析等领域的应用逐渐加深。各种深度学习算法的提出和变异都极大的推动了小麦计数的发展。小麦计数算法的优劣直接影响小麦计数的精度，进而影响到预测小麦产量和表型分析等现实应用，

【参考文献】：
期刊论文
[1]基于图像处理技术的大田麦穗计数![J]. 刘涛,孙成明,王力坚,仲晓春,朱新开,郭文善.  农业机械学报. 2014(02)



本文编号：3601669