摘要
针对田间环境中复杂背景和多样化目标尺度,导致现有检测算法精度不高的问题,以YOLOX为基线,提出一种基于全局信息和多尺度融合的田间麦穗检测算法——GMF-Net。该算法由主干网络、交互特征金字塔和检测头网络组成,主要的工作包括:设计全局信息提取模块嵌入主干网络,以增强网络的特征表达能力,抑制复杂背景的噪声干扰,确保目标的清晰辨识;在网络颈部采用交互特征金字塔结构,实现高效的多尺度特征融合,通过低计算成本提升不同尺度麦穗的检测精度;在检测头中引入非耦合大核尺寸检测头,通过解耦分类和定位任务,进一步优化目标的分类和定位性能。试验结果显示,GMF-Net在公开GWHD数据集的准确率、召回率和平均精度分别达到95.8%、92.5%和95.2%,计算量为165.4 G,参数量为88.9 M,检测速度为31.5帧/s;在自建高密度麦穗数据集的准确率、召回率和平均精度分别达到91.8%、88.4%和89.7%,计算量为165.4 G,参数量为88.9 M,检测速度为28.9帧/s。在检测精度、模型复杂度和检测速度方面均优于原始的YOLOX算法,同时相较于Faster R-CNN、Mask R-CNN、YOLO v8、YOLO v10和YOLO v11等主流检测算法具有更强的检测精度,虽然在模型复杂度和检测速度上略逊于YOLO v10,但在检测精度上具有更高的竞争力。研究表明GMF-Net具有较强的适应性与鲁棒性,能够有效应对复杂田间环境中的麦穗检测任务,为田间麦穗的精准检测与计数提供了新的技术支持,且具有较高的实时性和实际应用潜力。
出处
《江苏农业科学》
北大核心
2025年第20期118-127,共10页
Jiangsu Agricultural Sciences
基金
山西省基础研究计划(编号:20210302123455)。
