【农业科研】基于深度学习的小麦籽粒表形鉴定方法.docx

《【农业科研】基于深度学习的小麦籽粒表形鉴定方法.docx》由会员分享，可在线阅读，更多相关《【农业科研】基于深度学习的小麦籽粒表形鉴定方法.docx（3页珍藏版）》请在优知文库上搜索。

1、深度学习与农业科研，刘平教授团队取得成果，小麦籽粒表形鉴定方法小麦是一种经济作物，其产量与农民的收入直接相关。随着国家经济水平的提高 和城镇化进程的加快，农民对于小麦的需求不断增长，因此种植小麦成为了他们 追求更高收入的重要途径。由此可见，小麦的播种量增加与国家的经济发展密切基于深度学习ImCaSCadeR-CNN小麦籽粒表形鉴定方法(a)随机翻转(b)随机裁剪(C)随机旋转(d)对比度(e)增加噪声(f)增减亮度小麦作为主要粮食作物之一，其生产对于国家粮食安全具有重要的意义。在保证口粮供应的前提下，加大对小麦种植的补贴、提高小麦的种植效率等，这些措施进一步激发了农民对小麦种植的积极性，从而导

2、致小麦的播种量不断增加。培育优质高产的小麦品种是小麦育种的主要目标，而小麦籽粒完整性直接影响小麦育种进程。完整籽粒与破损籽粒的部分特征差异较小，是限制基于深度学习识别破损小麦籽粒精准度的关键因素。ImCascade R-CNN卷枳神经网络发触参数测盘山东农业大学机械与电子工程学院/智能化农业机械与装备实验室组成刘平教授团队，为解决小麦籽粒检测精度低的问题，该研究建立ImCaSCadeR-CNN模型,提出小麦籽粒表形鉴定方法，精准检测小麦籽粒完整性、分割籽粒并获取完整籽粒表形参数。ImCascadeR-CNN模型检测小麦籽粒完整性的平均精度为90.2%,与CascadeMaskR-CNN、Dee

3、Plabv3+模型相比，能更好地识别、定位、分割小麦籽粒，为籽粒表形参数的获取提供基础。该方法测量粒长、粒宽的平均误差率分别为2.15%和3.74%,测量长宽比的标准误差为0.15,与人工测量值具有较高的一致性。(a)基于 ReSNel-Iol 的 Cascade Mask R-CNN 模型 P-R 曲线(b)lmCascade R-CNN 模型 P-R 曲线该研究结果可快速精准检测籽粒完整性、获取完整籽粒表形数据，加速培育优质l产小麦品种。(a)粒长测量结果散点图(b)粒宽测量结果散点图小麦的种植技术不断改进和推广，如大力发展农机化、推广科学种植技术、加强品种改良等，这些措施使得小麦的种植成本降低、产量增加，从而进一步推动了小麦的播种量不断增加的趋势。