Welcome to Smart Agriculture

Smart Agriculture ›› 2021, Vol. 3 ›› Issue (1): 63-74.doi: 10.12133/j.smartag.2021.3.1.202102-SA066

• Topic--Frontier Technology and Application of Agricultural Phenotype • Previous Articles     Next Articles

Foxtail Millet Ear Detection Approach Based on YOLOv4 and Adaptive Anchor Box Adjustment

HAO Wangli1(), YU Peiyan1, HAO Fei2, HAN Meng1, HAN Jiwan1, SUN Weirong1, LI Fuzhong1()   

  1. 1.School of Software, Shanxi Agricultural University, Shanxi 030801, China
    2.School of Computer Science, Shaanxi Normal University, Xi'an 710119, China
  • Received:2021-02-25 Revised:2021-03-26 Online:2021-03-30
  • Supported by:
    Shanxi Province Higher Education Innovation Project of China (2020L0154)

Abstract:

谷穗的检测和计数对于预测谷子产量和育种至关重要。但是,传统的谷穗计数主要基于人工统计,既费时又费力。为解决上述问题,本研究首先建立了一个包含784张图像和10,000个谷穗样本的谷穗检测数据集。提出了一种基于YOLOv4和自适应锚框调整的谷穗检测方法,可快速准确地检测特定框中的谷穗。通过自适应地调整锚框,可生成符合谷穗目标的候选框,从而提升检测的准确率。为验证该方法的有效性,采用了多个标准,包括平均精度(mAP),F1得分(F1-Score),精度(Precision)和召回率(Recall)进行评价。此外,设计了对比试验验证所提出方法的有效性,包括与其他模型(YOLOv2,YOLOv3和Faster-RCNN)进行比较来评估模型的性能,评估模型在不同交并比(IOU)取值下的性能,评估模型在自适应锚框调整下的谷穗检测性能,评估引起模型评价标准变化的原因,以及评估模型在不同原始输入图像尺寸下的性能。试验结果表明,YOLOv4获得了良好的谷穗检测性能。YOLOv4的mAP达到78.99%,F1-score达到83.00%,Precision达到87%和Recall达到79.00%,在所有评价标准上均比其他比较模型高出8%。试验结果表明,该方法具有较好的准确性和高效性。

Key words: 谷穗检测, YOLOv4, 深度神经网络, 数据集, 自适应锚框调整

CLC Number: