抄録/ポイント:
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
大田水稲の生長環境は複雑で、稲穂のサイズは相対的に小さく、しかも葉との貼り合わせは厳重に隠され、複雑な畑のシーンにおける水稲の穂を正しく識別し、穂数を自動的に統計する重要な意義がある。局所的に葉に遮蔽された小サイズの稲穂の計数を実現するため、特徴ピラミッドに基づく稲穂検出(Generativefeaturepyramidforpanicledetection)を設計した。GFP-PD法。最初に,特徴学習における小サイズイネ穂の特性損失問題を目的として,穂サイズおよび受容野サイズ間の関係を定量化し,適切な特徴学習ネットワークを選択して,イネ穂情報の損失を減少し,次に,多重スケール特徴ピラミッドを構築,融合することにより,イネ穂特性を強化した。稲穂特徴における翼の遮蔽により発生する騒音に対して、対抗ネットワーク設計オクルージョンサンプル修復モジュール(Occlusionsampleinpaintingmodule、OSIM)に基づいて、遮蔽ノイズを真実の稲穂特徴に修復した。遮蔽イネの穂の特性品質を最適化した。南ジャポニカ46水稲の畑画像に対してモデル訓練とテストを行い、GFP-PD法による稲穂計数に対する平均再現率と識別正確率は90.82%と99.05%であり、FasterR-CNNアルゴリズムよりそれぞれ16.69、5高かった。15パーセントポイント。FasterR-CNNアルゴリズムのみに特徴ピラミッドを構築し、VGG16ネットワークに基づく平均再現率と識別正確率はそれぞれ87.10%と93.87%であり、ZFネットワークよりそれぞれ3.75、1.20ポイント高かった。さらに、OSIM修復モデルを用い、稲穂特徴を最適化し、識別正解率は93.87%から99.05%に上昇した。結果により、特徴学習ネットワークの選択と特徴ピラミッドの構築は、畑の小サイズの稲穂の計数の再現率を著しく向上させ、OSIMは稲穂の特徴における葉身のノイズを効果的に除去することができ、局部の葉の遮蔽された稲穂の識別精度を向上させるのに有利であることが明らかになった。Data from Wanfang. Translated by JST.【JST・京大機械翻訳】