基于YOLOv3的稻穗识别方法研究

彭 祺，屠礼芬，程瑞敏，吴 涛

(湖北工程学院 物理与电子信息工程学院，湖北 孝感 432000)

精确、实时地获取农田的各项信息和农作物的生长动态，是实现精准农业的前提[1-2]。无人机遥感技术，是一种综合应用遥感、空间定位、无人驾驶飞行、遥测等技术[3]，可以无接触获取农田空间信息，已经在精准农业领域实现了小规模实际应用。但无人机的工作主要在一个较大的范围，在小范围的精细化操作方面还无法代替农民的工作。以图像领域为例，无人机在图像大范围采集方面具有先天优势，相关算法对图像中大物体的识别，如行人、汽车、动物等均取得较好的效果，但对于图像中的小物体识别，如农田中的稻穗，因为目标尺寸较小，采用无人机进行检测的方法很少。稻穗的数量与水稻产量直接相关，其表型特征在水稻育种研究中，是十分重要的量化指标，主要包括：一次枝梗的长度、籽粒数和结实率，每穗籽粒数，稻穗骨架结构等，因此，实时准确的农田稻穗识别是很重要的。

深度学习技术在目标检测和分类领域，表现出比传统图像分析方法更为优秀的效果[4-8]，目前，常用的基于深度学习的目标检测方法主要分为两类：一类是基于回归的一阶检测器，应用较为广泛的有YOLO、SSD (Solid-state Drive)和FPN (Feature Pyramid Networks)等[9-11]；另一类是基于区域建议的二阶检测器，应用较为广泛的有R-CNN (Regions with CNN feature)、SPP-Net (Spatial Pyramid Pooling Networks)、Fast R-CNN和Faster R-CNN等[12-15]。一阶检测器的优点是测速快，缺点是在模型训练时可能出现前景和背景类别不均衡[16]，难以提取小目标特征信息，从而导致部分目标检测效果不佳[17]。……