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

準(zhǔn)確的小麥穗部檢測(cè)對(duì)于精準(zhǔn)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(jìn)步使得深度學(xué)習(xí)模型能夠提高小麥穗部檢測(cè)的準(zhǔn)確率。隨著無(wú)人機(jī)的便捷性和實(shí)用性，小麥穗部的檢測(cè)和計(jì)數(shù)引起了研究人員的廣泛興趣。然而，小麥生長(zhǎng)是一個(gè)動(dòng)態(tài)過(guò)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(cè)模型通常是針對(duì)特定生長(zhǎng)階段設(shè)計(jì)的。它們對(duì)其他生長(zhǎng)階段或田間場(chǎng)景的適應(yīng)性有限。此外，無(wú)人機(jī)影像中小麥穗的尺寸小、分布密集、遮擋嚴(yán)重等特點(diǎn)也使得該方法難以擬合和覆蓋小麥穗的全部特征，導(dǎo)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(xué)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(lái)檢測(cè)從灌漿期到成熟期的小而定向的麥穗。WheatNet由2個(gè)子網(wǎng)絡(luò)組成：變換網(wǎng)絡(luò)和檢測(cè)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(zhǎng)階段生成對(duì)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(xué)習(xí)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(cè)網(wǎng)絡(luò)從新圖像中提取多尺度特征。然后，在檢測(cè)網(wǎng)絡(luò)中增加一個(gè)微尺度檢測(cè)層，4個(gè)檢測(cè)層從多尺度特征圖中生成麥穗的位置、類別和置信度等預(yù)測(cè)。在這個(gè)階段，使用圓形平滑標(biāo)簽（CSL）對(duì)小麥穗進(jìn)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(jì)算網(wǎng)絡(luò)損失進(jìn)行訓(xùn)練。最后，在訓(xùn)練后的推斷過(guò)程中產(chǎn)生檢測(cè)結(jié)果。
 

圖2 WheatNet架構(gòu)。改進(jìn)后的紅色標(biāo)簽?zāi)�塊為微尺度檢測(cè)層、循環(huán)平滑標(biāo)簽( CSL )和完全交并比( CIoU )損失。

本文將WheatNet與經(jīng)典的定向檢測(cè)方法在麥穗檢測(cè)、角度預(yù)測(cè)和速度方面進(jìn)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(wèn)題。WheatNet的速度為20 FPS，可以實(shí)現(xiàn)快速準(zhǔn)確的麥穗檢測(cè)。本文也在不同方法、不同數(shù)據(jù)集上對(duì)灌漿期和成熟期的麥穗檢測(cè)進(jìn)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(lái)的檢測(cè)誤差，并成功應(yīng)用于灌漿期和成熟期，對(duì)灌漿期圖像的準(zhǔn)確率為90.1%，對(duì)成熟期圖像的準(zhǔn)確率為88.6%。這表明WheatNet是一種很有前途的小麥穗部檢測(cè)工具。
 

表1 WheatNet與定向目標(biāo)檢測(cè)方法的性能比較
 

表4 WheatNet、OSWSDet和標(biāo)準(zhǔn)YOLOv5在不同測(cè)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(wú)人機(jī)RGB圖像的水稻植株計(jì)數(shù)、定位和大小估計(jì)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(wú)人機(jī)成像實(shí)現(xiàn)對(duì)田間小麥葉面積指數(shù)的快速精準(zhǔn)估計(jì)（二）

加入作者交流群

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

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(xué)》（Plant Phenomics）是由南京農(nóng)業(yè)大學(xué)和美國(guó)科學(xué)促進(jìn)會(huì)（AAAS）合作創(chuàng)辦的英文學(xué)術(shù)期刊，于2019年1月正式上線發(fā)行。采用開(kāi)放獲取形式，刊載植物表型組學(xué)交叉學(xué)科熱點(diǎn)領(lǐng)域具有突破性科研進(jìn)展的原創(chuàng)性研究論文、綜述、數(shù)據(jù)集和觀點(diǎn)。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(jī)器學(xué)習(xí)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(shí)踐中的表型組學(xué)新應(yīng)用，與植物表型相結(jié)合的分子生物學(xué)、植物生理學(xué)、統(tǒng)計(jì)學(xué)、作物模型和其他組學(xué)研究，表型組學(xué)相關(guān)的植物生物學(xué)等。期刊已被DOAJ、Scopus、PMC、EI和SCIE等數(shù)據(jù)庫(kù)收錄�？祁Ｎò睯CR2021影響因子為6.5，位于農(nóng)藝學(xué)、植物科學(xué)、遙感一區(qū)。中科院農(nóng)藝學(xué)、植物科學(xué)一區(qū)，遙感二區(qū)，生物大類一區(qū)（TOP期刊）。2020年入選中國(guó)科技期刊卓越行動(dòng)計(jì)劃高起點(diǎn)新刊項(xiàng)目。

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