凌海波 周先存 张静雅 何富贵

摘 要：小麦麦穗的自动检测在产量预估、种子筛选等方面具有一定的科研应用价值。为进一步提高自然环境下麦穗识别与计数的准确性，本文提出了基于改进型Faster R-CNN深度神经网络麦穗检测方法。针对传统Faster R-CNN算法应用于麦穗检测时存在漏检的问题，并结合自然环境下麦穗重叠和遮挡的特点，本研究采用加权框融合（Weighted Boxes Fusion，WBF）算法代替原有的非极大值抑制（NMS）算法，通过区域建议网络产生的所有预测框的置信度来构造融合框。试验证明，改进后的Faster R-CNN在全球麦穗检测数据集上的平均精度均值mAP0.5：0.75、mAP0.5分别达到了74.21%和92.15%，相较于传统Faster R-CNN提升了5.75%和3.74%，提升效果明显，减少了麦穗漏检的情况，能够在自然環境下对麦穗进行计数和产量预估。

关键词：麦穗检测;深度神经网络;区域建议网络;加权框融合

中图分类号：TP391.41  文献标识码：A  文章编号：1673-260X（2021）07-0017-05

1 引言

小麦是世界上最重要的粮食作物，在全世界广泛种植。小麦产量的稳定在全球粮食安全中起着至关重要的作用，准确的小麦麦穗计数是小麦产量精确估计的重要依据[1]。传统的人工肉眼计数的方式效率不高，主观性较强，实用性一般，计数周期长，并且缺乏统一的统计标准。目前麦穗自动检测主要是基于机器视觉的方法进行研究。利用小麦的RGB图获取麦穗的颜色、形状等特征，通过计算机视觉方法构建小麦麦穗识别分类器，以实现对麦穗检测和计数[2，3]。Fernandez-Gallego等[4]使用滤波和寻找最大值的方法来检测田间小麦穗图像中的麦穗数，其识别精度达到90%。……