Plant Phenomics | 南京農(nóng)業(yè)大學基于WheatNet的灌漿期和成熟期麥穗定向檢測

準確的小麥穗部檢測對于精準農(nóng)業(yè)中的小麥田間表型分析至關(guān)重要。人工智能的進步使得深度學習模型能夠提高小麥穗部檢測的準確率。隨著無人機的便捷性和實用性，小麥穗部的檢測和計數(shù)引起了研究人員的廣泛興趣。然而，小麥生長是一個動態(tài)過程，其特征是小麥穗部顏色特征和背景發(fā)生重要變化。現(xiàn)有的小麥穗部檢測模型通常是針對特定生長階段設(shè)計的。它們對其他生長階段或田間場景的適應(yīng)性有限。此外，無人機影像中小麥穗的尺寸小、分布密集、遮擋嚴重等特點也使得該方法難以擬合和覆蓋小麥穗的全部特征，導致精度低、適用性差。
 

2023年10月，Plant Phenomics 在線發(fā)表了南京農(nóng)業(yè)大學題為Small and Oriented Wheat Spike Detection at the Filling and Maturity Stages Based on WheatNet的研究論文。
 

本文提出了WheatNet來檢測從灌漿期到成熟期的小而定向的麥穗。WheatNet由2個子網(wǎng)絡(luò)組成：變換網(wǎng)絡(luò)和檢測網(wǎng)絡(luò)（圖2）。首先，提出了變換網(wǎng)絡(luò)中的自適應(yīng)特征適配模塊（Adaptive Feature Adapter Module，AFAM），用于在不同生長階段生成對小麥穗顏色敏感的權(quán)重。其次，變換參數(shù)生成模塊（ Transform Parameter Generation Module，TPGM）使用特征包池（Bag-of-Features Pooling，BOFP）層學習小麥穗部顏色特征并輸出變換參數(shù)α，生成具有全連接層的新圖像。第三，檢測網(wǎng)絡(luò)從新圖像中提取多尺度特征。然后，在檢測網(wǎng)絡(luò)中增加一個微尺度檢測層，4個檢測層從多尺度特征圖中生成麥穗的位置、類別和置信度等預測。在這個階段，使用圓形平滑標簽（CSL）對小麥穗進行角度分類。使用完全交并比（Complete Intersection over Union，CIoU）損失和二元交叉熵（Binary Cross Entropy，BCE）損失計算網(wǎng)絡(luò)損失進行訓練。最后，在訓練后的推斷過程中產(chǎn)生檢測結(jié)果。
 

圖2 WheatNet架構(gòu)。改進后的紅色標簽模塊為微尺度檢測層、循環(huán)平滑標簽( CSL )和完全交并比( CIoU )損失。

本文將WheatNet與經(jīng)典的定向檢測方法在麥穗檢測、角度預測和速度方面進行了比較（表1），WheatNet仍然保持了較高的精度，很好地解決了漏檢和誤檢問題。WheatNet的速度為20 FPS，可以實現(xiàn)快速準確的麥穗檢測。本文也在不同方法、不同數(shù)據(jù)集上對灌漿期和成熟期的麥穗檢測進行了比較（表4），結(jié)果表明WheatNet能夠減少小麥穗顏色特征差異帶來的檢測誤差，并成功應(yīng)用于灌漿期和成熟期，對灌漿期圖像的準確率為90.1%，對成熟期圖像的準確率為88.6%。這表明WheatNet是一種很有前途的小麥穗部檢測工具。
 

表1 WheatNet與定向目標檢測方法的性能比較
 

表4 WheatNet、OSWSDet和標準YOLOv5在不同測試數(shù)據(jù)集上的平均精度

論文鏈接：

‍https://doi.org/10.34133/plantphenomics.0109

——推薦閱讀——

Rice Plant Counting, Locating and Sizing Method Base on High-throughput UAV RGB Images 

https://doi.org/10.34133/plantphenomics.0020

Plant Phenomics | 基于高通量無人機RGB圖像的水稻植株計數(shù)、定位和大小估計方法

A Generic Model to Estimate Wheat LAI over Growing Season Regardless of the Soil-Type Background

https://doi/10.34133/plantphenomics.0055

Plant Phenomics | 基于無人機成像實現(xiàn)對田間小麥葉面積指數(shù)的快速精準估計（二）

加入作者交流群

掃碼添加小編微信，拉您進入《植物表型組學》作者交流群，群內(nèi)不定期開展作者分享會、專刊發(fā)布會等高質(zhì)量活動。

添加小編微信，備注姓名+單位+PP，加入作者交流群

About Plant Phenomics

《植物表型組學》（Plant Phenomics）是由南京農(nóng)業(yè)大學和美國科學促進會（AAAS）合作創(chuàng)辦的英文學術(shù)期刊，于2019年1月正式上線發(fā)行。采用開放獲取形式，刊載植物表型組學交叉學科熱點領(lǐng)域具有突破性科研進展的原創(chuàng)性研究論文、綜述、數(shù)據(jù)集和觀點。具體范圍涵蓋高通量表型分析的最新技術(shù)，基于圖像分析和機器學習的表型分析研究，提取表型信息的新算法，作物栽培、植物育種和農(nóng)業(yè)實踐中的表型組學新應(yīng)用，與植物表型相結(jié)合的分子生物學、植物生理學、統(tǒng)計學、作物模型和其他組學研究，表型組學相關(guān)的植物生物學等。期刊已被DOAJ、Scopus、PMC、EI和SCIE等數(shù)據(jù)庫收錄。科睿唯安JCR2021影響因子為6.5，位于農(nóng)藝學、植物科學、遙感一區(qū)。中科院農(nóng)藝學、植物科學一區(qū)，遙感二區(qū)，生物大類一區(qū)（TOP期刊）。2020年入選中國科技期刊卓越行動計劃高起點新刊項目。

說明：本文由《植物表型組學》編輯部負責組稿。
中文內(nèi)容僅供參考，一切內(nèi)容以英文原版為準。
撰稿：王慧敏（南京農(nóng)業(yè)大學）
排版：張婕（上海交通大學）
審核：孔敏、王平