改进YOLOX检测单位面积麦穗.pdfVIP

第 38 卷 第 15 期 农 业 工 程 学 报 Vol.38 No.15 2022 年 8 月 Transactions of the Chinese Society of Agricultural Engineering Aug. 2022 143 改进 YOLOX 检测单位面积麦穗 1,2,3 1,2,3 1,2,3 3,4 5 杨蜀秦 ，王 帅 ，王鹏飞 ，宁纪锋 ，奚亚军 （1. 西北农林科技大学机械与电子工程学院，杨凌 712100 ；2. 农业农村部农业物联网重点实验室，杨凌 712100 ； 3. 陕西省农业信息感知与智能服务重点实验室，杨凌 712100 ；4. 西北农林科技大学信息工程学院，杨凌 712100 ； 5. 西北农林科技大学农学院，杨凌 712100 ） 摘 要：单位面积麦穗数是估算小麦产量的重要指标，对于作物表型参数计算、产量预测和大田管理都具有重要的意义。 目前的研究均未以单位面积麦穗图像为研究对象，为准确获取单位面积麦穗数，该研究提出了基于改进YOLOX 的单位 面积麦穗检测方法，利用采样框直接实现单位面积麦穗计数。首先，设计了一种简单的单位面积采样框，通过训练角点 检测网络识别采样框，以提取单位面积小麦区域；其次，针对麦穗检测中存在的目标密集和相互遮挡问题，在麦穗检测 网络的特征融合层，采用上下文信息进行特征重组的上采样方法（Content-Aware ReAssembly of Features，CARAFE ）代 替 YOLOX-m 模型中的上采样算法，同时结合迭代注意力特征融合模块（iterative Attentional Feature Fusion ，iAFF ），增 加对麦穗空间信息和语义信息的提取。试验结果表明，改进的 YOLOX-m 模型明显改善了对密集麦穗和遮挡麦穗的检测 效果，其精确率、召回率、平均精确度和F 1 值分别为 96.83%、91.29%、92.29%和 93.97%，与 SSD、CenterNet 和原 YOLOX-m 模型相比，平均精确度分别提升了 10.26、8.2 和 1.14 个百分点。该研究方法能够直接对复杂大田场景下的单位面积麦穗 进行准确检测和计数，为实际生产小麦产量预测中的麦穗智能化计数提供了一种方法参考。 关键词：模型；目标检测；深度学习；单位面积；麦穗 doi ：10.11975/j.issn.1002-6819.2022.15.015 中图分类号：TP391.41 文献标志码：A 文章编号：1002-6819(2022)-15-0143-07 杨蜀秦，王帅，王鹏飞，等. 改进YOLOX检测单位面积麦穗[J]. 农业工程学报，2022，38(15)：143-149. doi ：10.11975/j.issn.1002-6819.2022.15.015 Yang Shuqin, Wang Shuai, Wang Pengfei, et al. Detecting wheat ears per unit area using an improved YOLOX[J]. Transactions of th