基于改进Mask R-CNN的植物表型智能检测算法

作者：王晓婷; 赵展; 王阳; 李林

来源：中国农机化学报, 2022, 43(08): 151-157.

DOI：10.13733/j.jcam.issn.2095-5553.2022.08.021

• 植物表型
• 智能检测
• 深度学习
• 实例分割
• 迁移学习
• 特征融合

针对高通量自动化获取的植物表型性状图像的智能检测问题，采用迁移学习和改进掩膜区域卷积神经网络(Mask R-CNN)设计植物表型智能检测分割算法。首先对残差网络进行优化，并利用特征金字塔网络(FPN)对输入图像进行特征提取；然后调整候选区域提取网络(RPN)中锚框的长宽比例和阈值，并在RoIAlign中通过双线性插值法保留了特征图的空间信息；最后改进Mask检测头，并增加特征融合机制以获得高质量的掩膜。在西瓜突变体生长情况的性状表型数据集上进行训练和检测，得到结果表明：改进后的Mask R-CNN表现出更优的检测性能，与传统Mask R-CNN相比，检测精度提高2.2%,掩膜准确率提高2.7%,检测时间减少42 ms,为提升农业精准化水平和推动智慧农业发展提供了技术支撑。

• 单位
  贵州大学