结合图像处理和深度学习的麦穗识别方法

麦穗识别在智慧农业中有较高的应用价值，如粮食产量估计、种子筛选、和种子基因性能等。许多研究人员主要关注麦穗计数。传统的大田麦穗计数具有简单、方便等特点，但效率低下、人的主观因素较多。本研究采用Global Wheat Head detection (GWHD) dataset的小麦图像数据。为了准确对数据集进行分类识别，借助图像的基本操作实现数据增强，而后在结合深度学习在图像识别中的优势，以ResNet50为基础网络框架，设计一套基于Faster R-CNN的麦穗图像识别算法。实验结果表明，相比其他卷积神经网络，ResNet50网络模型具泛化性好，鲁棒性强、精度高等优点。

小麦是我国最重要的粮食作物之一，其不仅关乎着人们日常的饮食需求，同时影响着国民经济的发展和社会稳定。随着智能技术的不断发展，智慧农业[1]对粮食的生产起着重要的作用，一些智能技术对传统农业起到重大的推动作用[2] [3]。本文将讨论影响粮食生产的麦穗图像识别方法[4] [5] [6]。

麦穗识别在智慧农业中有较高的应用价值，如粮食产量估计、种子筛选、和种子基因性能等。许多研究人员主要关注智慧农业和麦穗计数。

传统麦穗计数主要依靠人工视觉进行主观辨别和判断。

该方法具有简单、方便等特点，但需要大量的人力物力效率低下、人的主观因素较多。随着图像识别技术的发展[7] [8]，人们借助智能算法替代传统的计数方法。

在对小麦头图像进行精准检测时会遇到视觉上的挑战， 如小麦植株重叠， 风动下的模糊图像[9]。这些问题加剧了识别单个小麦头的难度。为了克服这些干扰的因素，将计算机技术与农业深度融合[10] [11]，结合图像处理基本技巧，利用深度学习中的神经网络设计一套基于Faster R-CNN的麦穗图像识别算法，用其对大田下小麦的数量、密度、大小等参数预估。小麦管理决策者可运用这些数据进行小麦生产过程的智能决策和精确管理，为小麦的智能识别监控系统提供理论依据和技术支持。

2. 资料与方法 2.1. 资料 本文的研究的小麦图像数据集来自Global Wheat Head detection (GWHD) dataset，其是第一个从现场光学图像进行小麦头检测的大型数据集，包括多个地区的不同品种，涵盖了由欧洲(法国，英国，瑞士)， 亚洲(中国， 日本)， 大洋洲(澳大利亚)和北美(加拿大)的标注图像。

所有图像的通用格式为1024 × 1024 px， 分辨率为每像素0.1~0.3 mm。本文研究的是不同品种小麦头的密度和大小，部分测试图像如图1 所示。

2.2. 研究方法 2.2.1. 图像数据预处理 为避免参与训练的图像数据集出现欠拟合或过拟合现象，本研究将对图像进行旋转、剪切和翻转增加数据集的数量，利用高斯模糊、噪声模糊等图像处理操作进行数据增强，以此保证小麦图像样本数量的均衡。最后得到试验样本共16,875 张，其中训练集图像16,865 张，测试集图像10 张，具体流程见图2。通常，深度学习算法需要大量的样本信息。为了有效地管理这些信息，可以设计csv 文件的头文件， 这些文件包含着一些基本信息，如名称、类别、大小等。