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