圖1 實(shí)驗(yàn)地點(diǎn)和無(wú)人機(jī)的麥穗圖像。(a)清晰的圖像，(b)模糊的圖像，(c)人工標(biāo)注的圖像。
圖2 OSWSDet 的總體框架。紅色標(biāo)簽是OSWSDet中提出的改進(jìn)，包括 CSL（圓形平滑標(biāo)簽）、微尺度檢測(cè)層、基于 CIoU（Complete Intersection over Union）和 RNMS（Rotation Non-Maximum Suppression）的優(yōu)化定位損失。
圖3 據(jù)增強(qiáng)：（a）原始圖像，（b）旋轉(zhuǎn)90°，（c）旋轉(zhuǎn)180°，（d）旋轉(zhuǎn)270°，（e）垂直翻轉(zhuǎn)，（f）水平翻轉(zhuǎn)，（g）和（h）亮度平衡。
圖4 兩個(gè)定向檢測(cè)框的 WIoU 計(jì)算。左圖顯示了小麥穗的定向檢測(cè)框，右邊的6幅圖像顯示了兩個(gè)重疊框之間重疊區(qū)域的形狀。根據(jù)形狀的不同，兩個(gè)重疊框有6種不同類型的黃色相交圖，可以用三角形的面積來(lái)計(jì)算WIoU：（a）相交圖是三角形，（b）相交圖是四邊形，（c）相交圖是五邊形，（d）相交圖是六邊形，（e）相交圖是七邊形，（f）相交圖是八邊形。
圖5 所提方法和其他最先進(jìn)方法的小麥穗子檢測(cè)的精確性和召回率曲線。
圖6圖像上標(biāo)注的真實(shí)穗子數(shù)量與Faster RCNN、SSD、standard YOLOv5、standard YOLOv5with micro-sclae layer、standard YOLOv5with micro-sclae layer and CIoU以及OSWSDet估計(jì)的穗子數(shù)量的比較。
圖7 角度等級(jí)的小麥穗數(shù)從0到179，具有100個(gè)以上小麥穗的類標(biāo)有特定編號(hào)。
圖8使用OSWSDet（a）和標(biāo)準(zhǔn)YOLOv5（b）的檢測(cè)結(jié)果。紅色邊框代表檢測(cè)結(jié)果。
圖9使用CSL（a）和無(wú)CSL（b）角度分類的模型檢測(cè)結(jié)果。紅色邊框表示檢測(cè)結(jié)果。
圖10 不同大小的穗子的數(shù)量分布。
圖11在訓(xùn)練過(guò)程中，用微尺度檢測(cè)層（a）、小尺度檢測(cè)層（b）、中尺度檢測(cè)層（c）和大尺度檢測(cè)層（d）實(shí)現(xiàn)的正樣本邊界框和麥穗邊界框。正樣本邊界框（淺藍(lán)色）。小麥穗的邊界框（粉紅色）。
圖12使用CIoU進(jìn)行定位損失的模型的檢測(cè)結(jié)果（a）和使用IoU進(jìn)行定位損失的檢測(cè)結(jié)果（b）。紅色邊框代表檢測(cè)結(jié)果。
來(lái)源
Zhao J, Yan J, Xue T, et al. A deep learning method for oriented and small wheat spike detection (OSWSDet) in UAV images[J]. Computers and Electronics in Agriculture, 2022, 198: 107087.https://doi.org/10.1016/j.compag.2022.107087