论文部分内容阅读
水稻是中国人民重要的日常口粮之一,保障水稻产量充足不仅有利于维护社会稳定,更为实现经济持续发展提供必要的物质基础。对于水稻的实际生产,产量预估是必不可少的环节,能够为科学生产和经济调控提供重要的决策依据。水稻产量的测算主要依据单位面积穗粒数、结实率以及千粒重三个指标,而单位面积穗粒数作为与产量最为相关的农学性状,一般又通过单位面积穗数和每穗粒数估算,因此,准确的获取单位面积的水稻穗数是实现水稻产量估计的关键。然而,目前单位面积稻穗数量的获取主要依靠人工调查,费时费力。有鉴于此,寻找一种快速、准确的水稻穗自动计数方法显得尤为必要。随着目标检测算法的快速发展,针对RGB图像数据采用深度学习的检测计数法逐渐成为稻穗自动计数的主流方法,但受田间场景复杂性和通用目标检测算法性能的约束,在实际的应用中还存在一定的局限性,特别是对尺寸较小和局部存在叶片遮挡的稻穗的计数精度还存在较大的提升空间。因此,本研究旨在通过改进基于深度学习的目标检测算法,在提升对小目标、遮挡目标和被遮挡小目标检测精度的基础上,显著的提升对小尺寸稻穗、遮挡稻穗和被叶片遮挡的小尺寸稻穗的计数精度。本研究的主要贡献:（1）采集并构造4个不同的成熟期田间水稻稻穗数据集为了对实际田间场景下的小尺寸稻穗和遮挡稻穗进行自动计数,本研究以品种为南粳46的水稻稻穗为研究对象,采集并制作PANICLE2017、PANICLEMHW、PANICLEOCCLUDED和PANICLESAO四个不同的稻穗数据集。在数据集制作中,我们进行了有效的分割和遮挡模拟,并对所有的训练图像进行了人工标注。（2）针对小目标特征信息不足的问题,设计了基于混合视窗的微小目标检测算法（MHW-PD）实际田间水稻图像背景复杂,小尺寸稻穗有限的原始信息在特征学习的抽象过程中不断损失,导致对小尺寸稻穗的检测和计数精度不高。因此,本文研究了混合视窗对小目标特征的增强作用,设计了一种基于混合视窗的微小目标检测算法（Multi-scale Hybrid Windows Network for Panicle Detect,MHW-PD）。构造混合视窗为微小的稻穗提供丰富细致的多尺度特征表达,有效提升了检测过程中候选区域对小目标的覆盖度,从而抑制了检测器对小目标的漏检情况。对于田间稻穗数据集PANICLE2017,MHW-PD的正确率为95.4.%;而MHW-PD查全率为87.2%,较经典Faster-RCNN提高约50%。结果表明,MHW-PD能够显著提高田间小尺寸稻穗的计数准确率。（3）针对遮挡目标特征存在噪音的问题,设计了基于样本生成和特征修复的遮挡目标检测算法（GFC-PD）实际的田间水稻生长密集,稻穗常或多或少的被叶片遮挡。特征学习的过程中,局部的叶片噪音将逐步扩散到高语义性的全局特征,抑制了遮挡稻穗的特征质量,导致对遮挡稻穗的检测和计数精度不高。因此,本文研究了遮挡样本生成和遮挡噪音修复对遮挡目标特征的增强作用,设计了一种基于样本生成和特征修复的遮挡目标检测算法（Generative Feature Completing Network for Panicle Detect,GFC-PD）。首先,设计遮挡样本生成模块拓展模型训练数据中遮挡场景丰富度;其次,设计特征噪音修复模块将遮挡噪音修复为目标特征。通过提升遮挡物体的特征质量,有效抑制了检测器对遮挡目标的错检情况。在VOC、COCO和PANICLEOCCLUDED数据集上进行了实验。对于VOC2007数据集,GFC-PD在大、中、小三种遮挡尺度下的mAP分别为50.5%、61.1%和65.1%。对于PANICLEOCCLUDED,GFC-PD的查全率和正确率分别为84.8%和99.1%,较Faster-RCNN分别提高10.6%和5.2%,相较于同类计数算法也均分别提高约2%和4%。结果表明,GFC-PD能够显著提高田间遮挡稻穗的计数准确率。（4）在上述两项工作的基础上,设计了基于特征金字塔修复网络的被遮挡微小目标检测算法（FPCN-PD）实际的田间水稻稻穗是一类兼具小和遮挡特点的复杂目标。相较于前两项工作,在学习遮挡的小尺寸稻穗特征时,遮挡噪音和稻穗信息损失的相互作用使得输入图像的全局特征中稻穗特征比重下降,且稻穗特征中遮挡噪音的比重上升,导致对遮挡的小尺寸稻穗的检测和计数精度不高。因而,本文研究了生成并修复特征金字塔对被遮挡小目标特征的增强作用,设计了一种基于特征金字塔修复网络的被遮挡微小稻穗检测方法 FPCN-PD（Feature Pyramid Completing Network for Panicle Detect,FPCN-PD）。通过引入特征金字塔修复网络,在提升小尺度遮挡目标特征丰富程度的同时有效的清洗了遮挡带来的噪音,从而有效提高模型对被遮挡小目标的检测精度和计数精度。对于 Bottle 和 Potted Plant 数据集,FPCN-PD 的 mAP 分别为 48.3%和 42.4%,较Faster-RCNN均提升超10%。对于PANICLE2017数据集,FPCN-PD查全率和正确率分别为90.8%和98.3%。结果表明,FPCN-PD可以显著的提高局部被叶片遮挡的田间小尺寸水稻稻穗计数准确率。