谷类植物的穗是测量作物产量的重要部分，为避免人工统计田间水稻稻穗数耗时耗力的缺点，本文利用图像处理和深度学习技术，拍摄了田间水稻在不同状态下的图片并标注构建数据集，训练得到基于Faster R-CNN与YOLO v3两种典型目标检测算法的稻穗检测计数模型，对大田环境下的水稻图像进行检测计数，并将测试结果进行比较分析。研究结果显示，基于Faster R-CNN与YOLO v3两种算法的稻穗检测计数模型在本实验测试集上AP50分别为79.57%和64.67%，单张图片检测时间分别为12.3s和1.2s，表明Faster R-CNN检测网络在检测精度方面综合优于YOLO v3网络，而在检测时间上性能略差。
目录
摘要 1
关键词 1
Abstract. 1
Key words 1
1 绪论 1
1.1 课题背景及研究意义 1
1.2 研究现状 2
1.3 应用前景 2
1.4 本文主要研究内容 2
2 基于深度学习的目标检测算法 3
2.1 Faster RCNN网络结构 3
2.2 YOLO v3网络结构 5
3 基于深度学习的稻穗检测计数 7
3.1 数据集构建 8
3.2.基于Faster RCNN的稻穗检测计数模型 10
3.2.1 Caffe框架介绍 10
3.2.2 训练过程 11
3.3 基于YOLO v3的稻穗检测计数模型 12
3.3.1 Darknet框架介绍 12
3.3.2 训练过程 12
4 结果与分析 12
4.1 评价指标 12
4.2 检测结果对比 13
4.2.1 不同环境条件下的稻穗检测结果 13
4.2.2 两种模型检测结果对比 14
5 总结与展望 16
5.1总结 16
5.2展望 16
致谢 16
参考文献 16
基于深度学习的稻穗检测计数

原文链接：http://www.jxszl.com/jsj/jsjkxyjs/563915.html