蔡竹軒，蔡雨霖，曾凡國，岳學(xué)軍

(華南農(nóng)業(yè)大學(xué) 電子工程學(xué)院/人工智能學(xué)院,廣東 廣州 510642)

農(nóng)業(yè)是第一產(chǎn)業(yè)，也是我國經(jīng)濟(jì)建設(shè)和社會發(fā)展的保障性產(chǎn)業(yè)[1-2]。作為糧食作物中最主要的種類之一，水稻在2011 年的消費量已占中國人口總口糧全年消費量的55%，全國有超過60%的人口以稻米為主食[3]。隨著我國人口不斷增長，對水稻的需求量也不斷攀升，如何快速準(zhǔn)確地對水稻的產(chǎn)量進(jìn)行預(yù)估變得尤為重要。傳統(tǒng)田間水稻的估產(chǎn)一般采用的是有損的方法，即在大田中按面積等距或者按組平均抽樣的原則，選取一些小田塊作為樣本，水稻收獲后對其脫粒、曬干、揚凈、稱質(zhì)量后、利用水分測定儀測定含水量，并按粕稻比例13.5%，粳稻比例14.5% 來計算出最終的水稻產(chǎn)量[4]。稻穗是水稻重要的營養(yǎng)生殖器官，是谷粒著生的部位，其數(shù)量不僅與水稻產(chǎn)量直接相關(guān)[5]，而且在水稻病蟲害檢測[6]、營養(yǎng)診斷[7]及生育期檢測[8]等方面也有著十分重要的作用。過去檢測稻穗主要依靠人工識別，這嚴(yán)重依賴于從業(yè)人員的技術(shù)經(jīng)驗，不僅費時費力，而且主觀性較強。

隨著計算機(jī)信息技術(shù)的發(fā)展，機(jī)器視覺技術(shù)也隨之飛速發(fā)展并被廣泛應(yīng)用到農(nóng)業(yè)實際生產(chǎn)中。趙鋒等[9]利用麥穗顏色信息去除圖片中的田間背景等干擾信息，訓(xùn)練AdaBoost 分類器對麥穗?yún)^(qū)域進(jìn)行識別，對隨機(jī)選擇的100 個樣本取得了88.7%的識別準(zhǔn)確率。范夢揚等[10]利用淺層學(xué)習(xí)方法，針對局部小范圍內(nèi)的田間小麥低分辨率群體圖像，提取麥穗的顏色和紋理特征訓(xùn)練支持向量機(jī)分類器，實現(xiàn)對麥穗輪廓的提取和檢測，通過統(tǒng)計麥穗莖的骨架以及有效交叉點的數(shù)量獲得稻穗數(shù)量。Zhou 等[11]利用主成分分析算法抽取小麥圖像的顏色、紋理和邊緣等代表性特征，進(jìn)一步訓(xùn)練雙支持向量機(jī)模型實現(xiàn)對小麥麥穗的識別，取得了79%～82%的計數(shù)準(zhǔn)確率。Duan 等[12]基于I2 顏色平面的滯后閡值生成稻穗圖像塊，訓(xùn)練BP 神經(jīng)網(wǎng)絡(luò)模型對圖像塊進(jìn)行分類并計算稻穗數(shù)。Li 等[13]利用Laws 紋理能量特征生成麥穗圖像塊，訓(xùn)練BP 神經(jīng)網(wǎng)絡(luò)模型對圖像塊進(jìn)行分類并計算麥穗數(shù)。Olsen 等[14]使用不同尺度的超像素生成田間高粱圖像塊，訓(xùn)練線性回歸模型來實現(xiàn)計數(shù)。

傳統(tǒng)機(jī)器視覺識別方法計算簡單、處理速度快，但存在特征設(shè)計對人工經(jīng)驗依賴性強、模型泛化能力弱、魯棒性不強等問題，且對高密度種植的田間水稻，實際應(yīng)用還存在一定限制。作為機(jī)器學(xué)習(xí)領(lǐng)域革命的代表，深度學(xué)習(xí)具有強大的自動特征提取、復(fù)雜模型構(gòu)建以及圖像處理能力等優(yōu)勢，已在多個研究領(lǐng)域取得了重大進(jìn)展，農(nóng)業(yè)應(yīng)用中的快速檢測和分類便是其中之一。

李靜等[15]提出了一種改進(jìn)的GoogLeNet 卷積神經(jīng)網(wǎng)絡(luò)對玉米螟蟲害圖像進(jìn)行檢測，識別平均準(zhǔn)確率達(dá)96.44%。顧偉等[16]利用改進(jìn)的SSD 模型對群體棉籽進(jìn)行識別，提高了對小物體的檢測精度。周云成等[17]提出一種基于面向通道分組卷積網(wǎng)絡(luò)的番茄主要器官實時識別模型。Koirala 等[18]使用YOLO 算法模型對芒果進(jìn)行檢測并預(yù)測產(chǎn)量。Tian 等[19]通過改進(jìn)的YOLO-v3 模型檢測果園中不同生長階段的蘋果。張領(lǐng)先等[20]提取冬小麥的麥穗、葉片和陰影3 類標(biāo)簽圖像，構(gòu)建了數(shù)據(jù)集，采用梯度下降法對模型進(jìn)行訓(xùn)練，并結(jié)合非極大值抑制進(jìn)行冬小麥麥穗計數(shù)，總體識別正確率達(dá)99.6%。彭文等[21]運用深度卷積神經(jīng)網(wǎng)絡(luò)技術(shù)，對6 種水稻田雜草進(jìn)行識別。黃小杭等[22]對不同分辨率圖像進(jìn)行試驗，運用K-means 維度聚類及深度可分離卷積網(wǎng)絡(luò)等方式對YOLOv2 網(wǎng)絡(luò)進(jìn)行調(diào)整并對蓮蓬進(jìn)行檢測，檢測速度可以達(dá)到102.1 幀/ms。彭紅星等[23]采用改進(jìn)的SSD 深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)對荔枝、蘋果、臍橙以及皇帝柑進(jìn)行識別，使用遷移學(xué)習(xí)等方式進(jìn)行優(yōu)化，提高了自然背景下SSD 網(wǎng)絡(luò)識別水果的泛化能力。張洋[24]提出了一種面向稻穗種粒缺陷識別的個性特征顯著化規(guī)范輕量Rice-VGG16 模型，識別稻穗缺陷種粒的精確度達(dá)99.51%。馬志宏等[25]將稻穗充分鋪開后提取稻穗枝梗的幾何形態(tài)特征，并基于此與稻穗粒數(shù)建立映射關(guān)系，預(yù)測稻穗粒數(shù)的相對誤差為6.72%。

基于深度學(xué)習(xí)的農(nóng)作物分類和識別方法已逐漸成為主流并取得一定的效果，然而，因水稻稻穗微小的特點，其空間信息在特征圖上極易被損失，且田間場景具有較高的復(fù)雜性以及受通用目標(biāo)檢測算法泛化能力的約束，稻穗識別的精度下降、效果不佳，在實際應(yīng)用中還存在一定的局限性。本研究通過改進(jìn)YOLOv5l 網(wǎng)絡(luò)模型，引入有效通道注意力(Efficient channel attention，ECA)機(jī)制模塊[26]，加強對圖片中待檢測目標(biāo)的特征提取，提出一種改進(jìn)YOLOv5l 的田間水稻檢測模型，以期實現(xiàn)對水稻稻穗檢測和水稻的無損估產(chǎn)。

1 材料與方法

1.1 數(shù)據(jù)樣本采集

數(shù)據(jù)采集自田間，采集時間為2021 年6 月，采集地點為廣東省植物分子育種重點實驗室試驗基地，在晴天利用Nikon D3300 作為采集設(shè)備，鏡頭型號為AF-S 28-300MM F/3.5-5.6G ED VR，其有效像素為2 416萬，圖像格式為JPEG，滿足水稻圖像采集的要求。如圖1 所示，為了提高模型的識別精度，本文在圖像采集時，使用了拍攝底板輔助拍攝，即制作一塊邊長為0.30 m×0.25 m 的純黑色底板作為數(shù)據(jù)樣本采集時的拍攝底板。圖像采集時保持相機(jī)閃光燈關(guān)閉，拍攝相機(jī)與目標(biāo)稻穗的距離統(tǒng)一固定在30 cm左右，以確保每一目標(biāo)稻穗圖像大小相近且清晰，最終采集到圖像650 幅，像素大小為6 000×4 000。

圖1 原圖像和數(shù)據(jù)增強后的圖像Fig.1 Original image and images after data augmentation

1.2 數(shù)據(jù)增強與數(shù)據(jù)集構(gòu)建

對于多目標(biāo)、小目標(biāo)的圖像，深度學(xué)習(xí)算法往往需要大量的圖像數(shù)據(jù)才能有效地提取圖像特征并分類。為了有效提升數(shù)據(jù)樣本的數(shù)量、增加數(shù)據(jù)樣本的多樣性和數(shù)據(jù)庫的大小、提升檢測算法模型的精度，本文對采集到的圖像數(shù)據(jù)樣本進(jìn)行預(yù)處理，包括數(shù)據(jù)標(biāo)注和數(shù)據(jù)增強2 個步驟。

圖像數(shù)據(jù)本身沒有標(biāo)簽和語義，需要進(jìn)行標(biāo)注才能用于訓(xùn)練。本文利用LabelImg 標(biāo)注工具，按照PASCAL VOC 標(biāo)準(zhǔn)進(jìn)行稻穗谷粒的標(biāo)注。因1張稻穗圖片中的1 株稻穗包含多粒稻谷，標(biāo)注1張稻穗圖片數(shù)據(jù)需要畫將近90 個框，耗時約10 min，故將LabelImg 設(shè)置為自動保存和高級模式，可以加快人工標(biāo)注單一稻穗圖像的速度。

數(shù)據(jù)增強(Data augmentation，DA)通過對訓(xùn)練圖像做一系列隨機(jī)改變，來產(chǎn)生相似但又不同的訓(xùn)練樣本，從而擴(kuò)大訓(xùn)練數(shù)據(jù)集的規(guī)模，是提高目標(biāo)識別算法魯棒性的重要手段。本文采用隨機(jī)長寬比裁剪、水平翻轉(zhuǎn)、垂直翻轉(zhuǎn)、飽和度增強、飽和度減弱、高斯模糊、灰度化、CutMix、Mosaic 共9 種操作，調(diào)整圖像的幾何形態(tài)、識別目標(biāo)內(nèi)容結(jié)構(gòu)組成和顏色種類，隨機(jī)改變訓(xùn)練樣本，降低模型對識別目標(biāo)的幾何屬性和顏色屬性的依賴，從而提高模型的泛化能力。將原數(shù)據(jù)集擴(kuò)充到原來的5 倍，共得到3 250 張圖片，原圖和數(shù)據(jù)增強后的圖像效果如圖1 所示，并將數(shù)據(jù)集按照7∶2∶1 的數(shù)量比例劃分為訓(xùn)練集、測試集和驗證集。

1.3 水稻稻穗檢測方法

作為目前最先進(jìn)的目標(biāo)檢測算法之一，YOLOv5具有檢測速度快、識別性能好、網(wǎng)絡(luò)結(jié)構(gòu)簡單、使用方便等特點。其性能與YOLOv4 不相伯仲，但相比DarkNet 小了近90%，推理速度可以達(dá)到140 幀/ms，滿足實時檢測的要求。YOLOv5 共有YOLOv5s、YOLOv5m、YOLOv5l 和YOLOv5x 4 種版本。網(wǎng)絡(luò)結(jié)構(gòu)中的Ultralytics 模塊通過depth_multiple 和width_multiple 2 個參數(shù)控制模型的深度和卷積核的數(shù)量，故4 種模型檢測的深度和廣度有所不同。其中，YOLOv5s 網(wǎng)絡(luò)最小、速度最快、精度最低，其余3 種模型相對于加深加寬網(wǎng)絡(luò)，檢測精度不斷提升，但速度也隨之減慢。本文試驗檢測目標(biāo)為大田水稻稻穗，具有數(shù)量多、體積小、分布密等特點。YOLOv5l 是YOLOv5 系列中性能與模型大小的平衡點，它在一定程度上保持了較高的檢測精度，有助于在密集場景中有效地檢測目標(biāo)。而且，YOLOv5I相對較小，這意味著在一些計算資源有限的設(shè)備上也可以實現(xiàn)高質(zhì)量的目標(biāo)檢測，有利于后續(xù)將檢測算法部署在一些邊緣設(shè)備上。故本文選擇YOLOv5l作為基礎(chǔ)算法進(jìn)行優(yōu)化提升。

2020 年，Wang 等[26]認(rèn)為Hu 等[27]在2019 年提出的壓縮激勵(Squeeze excitation，SE)通道注意力機(jī)制中，降維會對通道注意力產(chǎn)生負(fù)面影響，故提出了有效通道注意力(Efficient channel attention,ECA) 模塊，從而實現(xiàn)不降維的跨通道交互策略。如圖2 所示，ECA 主要由全局池化(Global average pooling，GAP)、CONVLD 和SCALE 3 個操作組成，GAP 沿著空間維度進(jìn)行特征壓縮，將W×H×C的特征輸入轉(zhuǎn)換為1×1×C的特征輸出，以獲得全局信息，W、H、C分別表示特征的寬、高、長信息。然后利用CONVLD 實現(xiàn)無降維的局部跨通道交互，直接獲取通道與權(quán)重的相關(guān)性，再通過sigmoid 函數(shù)獲得歸一化的權(quán)重，最后SCALE 操作是將歸一化后的權(quán)重通過乘法加權(quán)到每一個通道特征上，得到經(jīng)過通道注意力后各通道加權(quán)的語義特征。

圖2 ECA 流程圖Fig.2 Flow diagram of ECA

YOLOv5l 的網(wǎng)絡(luò)結(jié)構(gòu)主要由輸入端(Input)、骨干網(wǎng)絡(luò)(Backbone)、多尺度特征融合模塊(Neck)和輸出端(Output)4 部分組成。C3 層用于提取輸入樣本中的主要信息，增強了網(wǎng)絡(luò)結(jié)構(gòu)中的梯度值，得到更細(xì)的特征粒度，同時減少了計算量，有效提升了網(wǎng)絡(luò)的計算能力。SPP 層將上下文特征分離，使得輸入主干網(wǎng)絡(luò)的特征圖尺寸不受限制，提高了網(wǎng)絡(luò)的感受野。小目標(biāo)特征信息通過多層網(wǎng)絡(luò)結(jié)構(gòu)處理后，位置信息模糊粗糙，特征信息出現(xiàn)不同程度的丟失。這使得網(wǎng)絡(luò)模型出現(xiàn)對小目標(biāo)的誤檢和漏檢。為提高原始模型對水稻小目標(biāo)稻穗的檢測精度，本研究提出改進(jìn)YOLOv5l 網(wǎng)絡(luò)模型，具體結(jié)構(gòu)如圖3 所示。在骨干網(wǎng)絡(luò)中的SPP 層前置入ECA注意力機(jī)制模塊，ECA 通過不降維的跨通道交互增強了相關(guān)通道的特征表達(dá)并降低性能損耗，使得小目標(biāo)信息更易被網(wǎng)絡(luò)學(xué)習(xí)。

圖3 改進(jìn)YOLOv51 網(wǎng)絡(luò)總體框圖Fig.3 Overall block diagram of the improved YOLOv51 network

2 結(jié)果與分析

本研究試驗平臺選擇Windows10(64 位)操作系統(tǒng)。CPU 型號為Intel(R) Core I9-10900K，GPU 型號為Nvidia GeForce RTX3090，計算機(jī)內(nèi)存為24GB。測試的框架為Pytorch1.9.0，使用CUDA10.1 配合CUDNN7.6.5.32 運行；編程語言為Python。本研究在網(wǎng)絡(luò)模型訓(xùn)練階段，將初始學(xué)習(xí)率設(shè)置為0.000 1，總迭代次數(shù)設(shè)置為300 次。

2.1 檢測算法評估指標(biāo)

為了客觀、全面地評價所提方法對田間水稻稻穗檢測試驗的結(jié)果，本研究采用精確率(Precision，P)、召回率(Recall，R)、平均精度(Average precision，AP)和損失函數(shù)(Loss function)等指標(biāo)衡量檢測效果，其中，P是指所有被標(biāo)記為稻穗的物體中，稻穗正樣本所占的比率；R是指測試集中所有的稻穗正樣本中，被正確識別為稻穗的比例；而以P為縱坐標(biāo)、R為橫坐標(biāo)，繪制曲線，AP 即為曲線的積分。具體計算如公式(1)～(3)所示。

由表3可知，KX9384 1穴2株、3株和1株處理較西蒙6號覆膜和不覆膜對照處理增產(chǎn)均達(dá)到極顯著水平，增產(chǎn)幅度最高為1穴2株種植方式，分別為15.79%，19.23%。KX9384 3種方式處理間，1穴2株比1穴3株和1穴1株增產(chǎn)極顯著，1穴3株比1穴1株增產(chǎn)顯著。西蒙6號覆膜比不覆膜增產(chǎn)顯著。

式中，TP 表示稻穗被正確分類和定位的正樣本個數(shù)，F(xiàn)P 表示被標(biāo)的為稻穗的負(fù)樣本個數(shù)，F(xiàn)N 為測試樣本中真實的正樣本數(shù)減去TP，N為樣本總數(shù)。

損失函數(shù)用來估量模型預(yù)測值和真實值不一樣的程度，其值的大小極大程度上決定了模型的性能好壞。YOLOv51 采用了分類損失(clsloss)、坐標(biāo)損失(giouloss)和置信度損失(objloss)來指導(dǎo)訓(xùn)練。其中，分類損失和置信度損失分別用于判斷錨框與對應(yīng)的標(biāo)定類別是否正確和計算網(wǎng)絡(luò)的置信度，采用二值交叉熵，具體計算如式(4)、(5)所示；坐標(biāo)損失用于判斷預(yù)測框與標(biāo)定框之間的誤差，采用giou 計算方式，具體方式如式(6)所示?？倱p失為以上3 部分損失的加權(quán)和，α、β、γ為3 類損失各自的權(quán)重，計算公式如(7)所示。

2.2 ECA 模塊融合位置對比

將ECA 模塊融合到網(wǎng)絡(luò)模型的不同位置，開展試驗并進(jìn)行對比。分別在YOLOv5l 的C3 層和SPP 層融入ECA 注意力模塊，生成3 種新的基于YOLOv51 的算法模型：ECA-YOLOv5l-Backbone、ECA-YOLOv5l-Neck 和ECA-YOLOv5l-SPP。圖4為3 種ECA 模塊融合網(wǎng)絡(luò)的具體位置。檢測試驗結(jié)果如表1 所示，將ECA 模塊融入到SPP 前的檢測效果較好。分析認(rèn)為，目標(biāo)特征信息在Backbone的多層網(wǎng)絡(luò)處理中逐漸粗糙并出現(xiàn)部分丟失，在SSP 層前融入注意力機(jī)制能夠使網(wǎng)絡(luò)模型清晰關(guān)注目標(biāo)的特征信息，提高檢測精度。而在Neck 部分，由于網(wǎng)絡(luò)深度較大，目標(biāo)的特征信息被淹沒，語義信息較為粗糙，導(dǎo)致注意力模塊無法較好地關(guān)注到目標(biāo)特征。

表1 ECA 模塊融合結(jié)果對比Table 1 Comparison of ECA module fusion results %

圖4 3 種融合ECA 模塊的YOLOv51 模型Fig.4 Three YOLOv5l models incorporating ECA modules

2.3 YOLOv5l 消融試驗對比

為驗證本研究提出的YOLOv5l 改進(jìn)方法，用原數(shù)據(jù)集針對ECA 和DA 開展消融試驗，用于判斷每個改進(jìn)點的有效性。在原有模型基礎(chǔ)上依次加入DA 和ECA，模型訓(xùn)練過程中使用相同的參數(shù)配置。試驗結(jié)果如表2 所示，在引入DA 后，模型性能有顯著提升，平均精度提高了3.84 個百分點；而在引入ECA 和DA 后，模型的精確率和召回率均有所提升，平均精度提高了6.87 個百分點。分析認(rèn)為，引入數(shù)據(jù)提升了模型的泛化能力和魯棒性，使得模型的檢測性能有較大提升；而引入注意力機(jī)制使得模型選擇性地強調(diào)信息特征，提高了其表征能力，表現(xiàn)為檢測精度提升較為明顯。

表2 YOLOv5l 消融試驗1)Table 2 YOLOv51 ablation experiment %

2.4 不同網(wǎng)絡(luò)模型的對比試驗

為驗證本研究提出的改進(jìn)YOLOv5l 算法的性能，將其與YOLOv5l、YOLOv5x 和目前主流的目標(biāo)檢測算法Faster R-CNN、SSD 比較。5 種網(wǎng)絡(luò)模型使用同樣的數(shù)據(jù)集且使用同樣的數(shù)據(jù)增強方法，訓(xùn)練方式均為隨機(jī)梯度下降法(SGD)，初始學(xué)習(xí)率均設(shè)置為0.000 1，總迭代次數(shù)設(shè)置為300 次。得到5 種檢測算法平均精度隨迭代次數(shù)的變化曲線(圖5a)、P-R曲線(圖5b)和隨迭代次數(shù)的損失值變化曲線(圖6)。圖7 為ECA-YOLOv5l-SPP 算法模型檢測結(jié)果示例。

圖5 不同網(wǎng)絡(luò)模型平均精度曲線(a)和P-R 曲線(b)Fig.5 The average precision curves (a) and precision-recall curves (b) of different network models

圖6 不同網(wǎng)絡(luò)模型的損失值隨迭代次數(shù)的變化曲線Fig.6 Changes in the loss values of different network models with epoches

圖7 識別結(jié)果示例Fig.7 Example of recognition results

由圖5 可知，平均精度均隨迭代次數(shù)的增加遞增并最終平緩收斂。由圖6 可知，5 種模型損失均隨迭代次數(shù)的增加遞減，一開始由于初始學(xué)習(xí)率設(shè)置較大故損失下降較快，隨著迭代次數(shù)增加，學(xué)習(xí)率逐漸變小，曲線逐漸平緩至最終收斂。改進(jìn)YOLOv51 損失最小，其次是YOLOv5x。同時，可直觀地看到，改進(jìn)YOLOv51 的曲線面積大于其他目標(biāo)檢測模型的，這表明改進(jìn) YOLOv51 模型具有更高的平均精度。

由表3 可知，改進(jìn)YOLOv51 占用內(nèi)存少的同時保持較高的檢測率和檢測精度，平均精度達(dá)95.05%，是所有模型中最高的，且內(nèi)存僅為 91.9 MB，比YOLOv5x 小 45%。此外，檢測速率為23.50 幀/ms，比 Yolov5x 快5.4 幀/ms。

表3 不同網(wǎng)絡(luò)模型檢測性能對比Table 3 Comparison of different networks

試驗結(jié)果表明，本研究提出的網(wǎng)絡(luò)模型減少了額外算力和內(nèi)存開銷，在保持較高的檢測速率和檢測精度的同時，占用內(nèi)存資源也較少，優(yōu)于原有的YOLOv5l 算法和主流目標(biāo)算法，可用于田間環(huán)境下的水稻稻穗精準(zhǔn)檢測。

3 結(jié)論

為解決田間水稻稻穗檢測過程中要求高、精度低等問題，提出一種改進(jìn)YOLOv5l 的田間水稻檢測算法。構(gòu)建了田間水稻稻穗數(shù)據(jù)集；將ECA 機(jī)制與原始YOLOv5l 進(jìn)行融合，對比了ECA 融合網(wǎng)絡(luò)模型不同位置的檢測性能；對YOLOv5l 進(jìn)行ECA和DA 消融試驗，并與傳統(tǒng)模型進(jìn)行對比試驗，主要結(jié)論如下。

ECA 使用不降維的跨通道交互策略，通過共享權(quán)重減少了模型參數(shù)，進(jìn)一步提高小目標(biāo)檢測的精度和速度。檢測目標(biāo)的特征信息在經(jīng)過網(wǎng)絡(luò)多層處理后變得粗糙模糊甚至丟失，而在SSP 層前融合ECA 能使網(wǎng)絡(luò)增強相關(guān)通道的特征表達(dá)，較好地關(guān)注到目標(biāo)信息，從而使檢測的平均精度相對于未融合網(wǎng)絡(luò)提高了3.03 個百分點。

改進(jìn)模型的平均精度比Faster R-CNN 提高8.4 個百分點，比SSD 提高6.62 個百分點。相比于YOLOv5x，改進(jìn)模型的檢測平均精度提高0.62 個百分點，內(nèi)存占用減少74.1 MB。本研究為大田環(huán)境下水稻稻穗的精準(zhǔn)檢測提供了一定的理論以及實踐依據(jù)，為田間水稻無損估產(chǎn)奠定了基礎(chǔ)。

盡管本文所提出的改進(jìn)算法對大田水稻稻穗具有較好的識別效果；但還存在部分未能準(zhǔn)確識別的稻穗，這是因為在數(shù)據(jù)集構(gòu)造過程中，部分稻穗因遮擋無法被準(zhǔn)確標(biāo)注，同時本次試驗所用數(shù)據(jù)有限，今后將進(jìn)一步提升標(biāo)注準(zhǔn)確度和完全度，并擴(kuò)大圖像數(shù)據(jù)集，建立更具代表性、樣本特征更為豐富的大田水稻稻穗數(shù)據(jù)庫。