WheatNet：一种用于高通量基于图像的小麦穗检测与计数的轻量级卷积神经网络
计算机视觉与模式识别
2021-03-23 v2 机器学习
摘要
对于一个全球公认的种植育种组织而言，人工记录的田间观测数据对植物育种决策至关重要。然而，诸如植株颜色、株高、籽粒数等某些表型性状只能在作物生长周期中的特定时间窗口内采集。由于劳动密集型的限制，每个季节仅能记录可能田间观测中的一小部分。为缓解小麦育种中的数据采集瓶颈，我们提出一种新颖的深度学习框架，以准确高效地计数小麦穗，从而辅助实时数据收集以支持决策。我们将该模型称为WheatNet，并表明我们的方法对小麦田的广泛环境条件具有鲁棒性与准确性。WheatNet采用截断的MobileNetV2作为轻量级骨干特征提取器，其融合不同尺度的特征图以应对图像尺度变化。随后，提取的多尺度特征送入两个并行子网络，用于同步的基于密度的计数与定位任务。我们所提方法在小麦穗计数任务中分别取得了3.85和5.19的MAE与RMSE，且与其他最先进方法相比参数量显著更少。我们与其他最先进方法的实验与对比证明了所提方法的优越性与有效性。
引用
@article{arxiv.2103.09408,
title = {WheatNet: A Lightweight Convolutional Neural Network for High-throughput Image-based Wheat Head Detection and Counting},
author = {Saeed Khaki and Nima Safaei and Hieu Pham and Lizhi Wang},
journal= {arXiv preprint arXiv:2103.09408},
year = {2021}
}
备注
14 pages, 5 figures