报 告 题 目
基于YOLOv5和卡尔曼滤波跟踪算法的茶树新梢计数方法
报 告 时 间
2024年12月31日（周二） 9:30-11:00
报 告 内 容
茶叶产量估算为收获时间和数量提供信息支持，为农民管理和采摘提供决策依据，但茶树新梢的人工计数费时费力且效率较低。为了提高茶叶产量估算的效率，研究团队提出了一种基于深度学习的茶树新梢检测与追踪计数方法。通过使用增强的YOLOv5模型结合压缩与激励网络来高效检测茶树新梢，所提出的方法结合了匈牙利匹配和卡尔曼滤波算法，实现了准确可靠的茶树新梢计数和产量估算。该模型在测试数据集上具有较高的检测精度，在茶树新梢计数试验中的应用表明测试视频计数结果与人工计数结果高度相关，表明该计数方法具有较高的准确性和有效性。本研究将深度学习模型和跟踪算法结合，提出了一种高效的茶树新梢计数方法，实现自然光下的茶树新梢检测和计数，为茶树新梢检测算法的优化和产量估算提供了新思路。
主 讲 人
李杨，男，副研究员，日本京都大学博士，中国农科院茶叶研究所“所级英才”入选者。研究方向是智能农机装备的开发与应用，主持浙江省自然科学基金、浙江省“尖兵”、“领雁”研发攻关计划项目课题等项目6项，以第一/通讯作者在Comput. Electron. Agr., Plant Phenomics, Front. Plant Sci.等期刊共发表论文18篇，其中中科院1区Top期刊7篇，ESI高被引论文3篇，授权发明专利15项，获软件著作权4项，获得首届“东方红杯”全国大学生智能农业装备创新大赛一等奖1项。
参 会 方 式
方式一：扫码关注公众号号，进群获取直播链接
方式二：公众号后台回复【直播】，进群获取直播链接
《植物表型组学》（Plant Phenomics）是由南京农业大学和美国科学促进会（AAAS）合作创办的英文学术期刊，于2019年1月正式上线发行。采用开放获取形式，刊载植物表型组学交叉学科热点领域具有突破性科研进展的原创性研究论文、综述、数据集和观点。具体范围涵盖高通量表型分析的最新技术，基于图像分析和机器学习的表型分析研究，提取表型信息的新算法，作物栽培、植物育种和农业实践中的表型组学新应用，与植物表型相结合的分子生物学、植物生理学、统计学、作物模型和其他组学研究，表型组学相关的植物生物学等。期刊已被DOAJ、Scopus、PMC、EI和SCIE等数据库收录。科瑞唯安JCR2023影响因子为7.6，位于农艺学、植物科学、遥感一区。2023年中科院期刊分区位于农林科学大类一区。2020年入选中国科技期刊卓越行动计划高起点新刊项目、2024年入选江苏科技期刊卓越行动计划领军期刊项目、中国科技期刊卓越行动计划二期英文梯队期刊。
审核：孔敏、王平
