小麦麦穗的高效计数对快速、准确掌握小麦产量具有重要意义。无人机由于具有效率高、成本低等特点被广泛应用于大田小麦信息的采集。但已有的用于小麦麦穗计数的深度学习模型结构复杂、参数量大,不能直接部署在存储空间有限的无人机的...小麦麦穗的高效计数对快速、准确掌握小麦产量具有重要意义。无人机由于具有效率高、成本低等特点被广泛应用于大田小麦信息的采集。但已有的用于小麦麦穗计数的深度学习模型结构复杂、参数量大,不能直接部署在存储空间有限的无人机的边缘设备上。针对这一问题,提出了一种融合剪枝策略和知识蒸馏的模型压缩方法,基于YOLOv5s模型构建了一种轻量化模型,并设计了面向无人机边缘计算的小麦麦穗计数轻量化方案。试验结果表明,经过模型剪枝和知识蒸馏轻量化处理的YOLOv5s模型,在小麦计数任务上的计数准确率为93.3%,模型的mAP(mean Average Precision,平均精度均值)达到94.4%,模型大小缩小了约76%,模型参数量减少了79.61%。因此,模型在保持较高的计数准确率的同时将会占用更少的计算资源和存储空间,显著的压缩效果使模型可以部署在无人机的边缘设备上,为小麦麦穗的实时计数提供了可能。展开更多
在无人机上安装光学传感器捕捉农作物图像是一种经济高效的方法,它有助于产量预测、田间管理等。该研究以无人机小麦作物图像为研究对象,针对图像中麦穗分布稠密、重叠现象严重、背景信息复杂等特点,设计了一种基于TPH-YOLO(YOLO with t...在无人机上安装光学传感器捕捉农作物图像是一种经济高效的方法,它有助于产量预测、田间管理等。该研究以无人机小麦作物图像为研究对象,针对图像中麦穗分布稠密、重叠现象严重、背景信息复杂等特点,设计了一种基于TPH-YOLO(YOLO with transformer prediction heads)的麦穗检测模型,提高无人机图像麦穗计数的精度。首先,为了减小光照不均匀对无人机图像质量造成的影响,该研究采用Retinex算法进行图像增强处理。其次,在YOLOv5的骨干网络中添加坐标注意力机制(coordinate attention,CA),使模型细化特征,更加关注麦穗信息,抑制麦秆、麦叶等一些背景因素的干扰。再次,将YOLOv5中原始的预测头转换为Transformer预测头(transformer prediction heads,TPH),该预测头具有多头注意力机制的预测潜力,可以在高密度场景下准确定位到麦穗。最后,为了提高模型的泛化能力和检测精度,采用了迁移学习的训练策略,先使用田间采集的小麦图像数据集对模型进行预训练,接着再使用无人机采集的小麦图像数据集对模型进行参数更新和优化训练,并在无人机采集的小麦图像数据集上进行了试验。结果表明,该研究方法精确率、召回率及平均精确率分别为87.2%、84.1%和88.8%,相较于基础的YOLOv5平均精确率提高4.1个百分点,性能优于SSD、Faster-RCNN、CenterNet、YOLOv5等目标检测模型。此外,该研究利用公开数据集Global Wheat Head Detection(GWHD)在不同目标检测模型上进行对比试验,该数据集的小麦样本是多样的和典型的,与SSD、Faster-RCNN、CenterNet和YOLOv5等模型相比,平均精确率分别提升11.1、5.4、6.9和3.3个百分点,进一步验证了该研究所提方法的可靠性和有效性,研究结果可以为小麦的产量预测提供支撑。展开更多
文摘小麦麦穗的高效计数对快速、准确掌握小麦产量具有重要意义。无人机由于具有效率高、成本低等特点被广泛应用于大田小麦信息的采集。但已有的用于小麦麦穗计数的深度学习模型结构复杂、参数量大,不能直接部署在存储空间有限的无人机的边缘设备上。针对这一问题,提出了一种融合剪枝策略和知识蒸馏的模型压缩方法,基于YOLOv5s模型构建了一种轻量化模型,并设计了面向无人机边缘计算的小麦麦穗计数轻量化方案。试验结果表明,经过模型剪枝和知识蒸馏轻量化处理的YOLOv5s模型,在小麦计数任务上的计数准确率为93.3%,模型的mAP(mean Average Precision,平均精度均值)达到94.4%,模型大小缩小了约76%,模型参数量减少了79.61%。因此,模型在保持较高的计数准确率的同时将会占用更少的计算资源和存储空间,显著的压缩效果使模型可以部署在无人机的边缘设备上,为小麦麦穗的实时计数提供了可能。
