Plant Phenomics ESI高被引論文 | 基于高通量無人機(jī)RGB圖像的水稻植株計(jì)數(shù)、定位和大小估計(jì)方法

水稻是全球糧食生產(chǎn)的重要組成部分，全球水稻種植面積達(dá)1.55億公頃，約有30億人口每天以稻米為主食。同時(shí)，水稻產(chǎn)量的穩(wěn)定在國(guó)家糧食安全中也起著重要的作用。目前，以人工智能等現(xiàn)代信息技術(shù)為基礎(chǔ)的精細(xì)農(nóng)業(yè)正成為農(nóng)業(yè)現(xiàn)代化的發(fā)展方向，加快推進(jìn)了現(xiàn)代信息技術(shù)在農(nóng)業(yè)中的應(yīng)用。水稻的種植密度與水稻產(chǎn)量密切相關(guān)，如何快速、準(zhǔn)確和高效的統(tǒng)計(jì)出單位面積內(nèi)水稻植株的數(shù)量對(duì)于水稻的產(chǎn)量估計(jì)、田間管理等至關(guān)重要。近年來，水稻植株數(shù)量的信息獲取技術(shù)已成為水稻表型研究中的重要方面。
 

2023年1月，Plant Phenomics在線發(fā)表了由海南大學(xué)、南京郵電大學(xué)、華中科技大學(xué)、新加坡國(guó)立大學(xué)以及江西省氣象局農(nóng)氣中心等單位共同完成的題為Rice Plant Counting, Locating and Sizing Method Base on High-throughput UAV RGB Images的研究論文。
 

本文提出了一種新的無人機(jī)高通量水稻植株數(shù)據(jù)集（UAV-based rice counting, URC），該數(shù)據(jù)集可用于無人機(jī)田間水稻植株的計(jì)數(shù)研究。根據(jù)目前的文獻(xiàn)調(diào)查，這是第一個(gè)使用無人機(jī)RGB圖像的高通量水稻植株計(jì)數(shù)數(shù)據(jù)集；本文還提出了一種新的水稻計(jì)數(shù)網(wǎng)絡(luò)RiceNet，該網(wǎng)絡(luò)可以通過無人機(jī)RGB圖像來實(shí)現(xiàn)田間水稻植株的無接觸和精確計(jì)數(shù)。在RiceNet中，提出并采用植物注意力機(jī)制和正負(fù)損失函數(shù)來抑制水稻圖像中的背景及噪聲，進(jìn)一步提高了估計(jì)密度圖的質(zhì)量；通過在RiceNet中設(shè)計(jì)的植株位置檢測(cè)模塊和植株大小估計(jì)模塊，實(shí)現(xiàn)了植物位置和大小兩種高層次的語義信息的獲取。
 

本文提出了一種新的基于無人機(jī)圖像的水稻植株計(jì)數(shù)方法RiceNet。該方法可以利用無人機(jī)拍攝的高通量RGB圖像在稻田中實(shí)現(xiàn)水稻植株的計(jì)數(shù)、定位和大小估計(jì)。如圖1所示，該算法由一個(gè)特征提取器和三個(gè)特征解碼器模塊組成，即密度圖估計(jì)DME模塊、植株位置檢測(cè)PLD模塊和植株大小估計(jì)PSE模塊。在RiceNet中，水稻植物注意力機(jī)制和正負(fù)損失函數(shù)能夠更好地區(qū)分水稻植物與圖像背景，這進(jìn)一步提高了網(wǎng)絡(luò)所估計(jì)密度圖的質(zhì)量。此外，在無人機(jī)水稻植株圖像的人工標(biāo)注方面，本文采用人工的點(diǎn)標(biāo)注作為標(biāo)簽，避開了繁瑣復(fù)雜的邊界框手動(dòng)標(biāo)記。

圖1 本文RiceNet網(wǎng)絡(luò)的主干結(jié)構(gòu)圖，其中包括：輸入圖像的前端特征提取器、植株密度圖估計(jì)模塊、植株位置檢測(cè)模塊、植株大小估計(jì)模塊

實(shí)驗(yàn)中，我們將RiceNet與現(xiàn)有的幾種經(jīng)典的計(jì)數(shù)方法進(jìn)行了比較，在所提出的URC數(shù)據(jù)集上分析了它們的計(jì)數(shù)結(jié)果。對(duì)比實(shí)驗(yàn)中，本文采用了常用的平均絕對(duì)誤差（MAE）和均方根誤差（RMSE）來評(píng)估網(wǎng)絡(luò)預(yù)測(cè)計(jì)數(shù)和人工計(jì)數(shù)真實(shí)值之間的差異。表1顯示了在URC數(shù)據(jù)集上不同方法的性能。最左邊的一列是幾種經(jīng)典的計(jì)數(shù)方法和我們的方法。第三列和第四列是不同方法的MAE和RMSE結(jié)果。從表1可以看出，我們的方法在很大程度上優(yōu)于其他方法。本文方法的MAE和RMSE分別達(dá)到8.6和11.2。結(jié)果表明，RiceNet可以準(zhǔn)確有效地估計(jì)水稻植株數(shù)量，可用于替代傳統(tǒng)的人工計(jì)數(shù)方法。
 

表1 不同方法在URC數(shù)據(jù)集中的計(jì)數(shù)性能

在以前的方法中，為了獲取植株的位置和大小通常需要使用矩形框標(biāo)注的檢測(cè)方法。然而，對(duì)于有具有非常多水稻植株的無人機(jī)圖像，人工矩形框標(biāo)注將會(huì)非常的費(fèi)時(shí)費(fèi)力，大量標(biāo)注在無人機(jī)圖像上往往不可行。相反，人工點(diǎn)標(biāo)注方法相對(duì)簡(jiǎn)單，更容易實(shí)現(xiàn)大量植物的快速標(biāo)注。在RiceNet網(wǎng)絡(luò)中，基于URC每個(gè)水稻圖像中植株均勻分布這一合理假設(shè)，我們利用數(shù)據(jù)集中所提供的人工點(diǎn)標(biāo)注在網(wǎng)絡(luò)中設(shè)計(jì)了的PLD和PSE模塊，實(shí)現(xiàn)了水稻植株位置和大小的估計(jì)。如圖7第五列所示，RiceNet不僅輸出植物數(shù)量，同時(shí)也給出了位置（紅色點(diǎn)）和水稻植株的大小（白色方框）信息。
 

圖2 URC數(shù)據(jù)集中水稻植株計(jì)數(shù)、定位和大小估計(jì)結(jié)果的可視化效果。第一列是四個(gè)測(cè)試圖像塊，第二列是人工標(biāo)注獲取真實(shí)密度圖，第三列是網(wǎng)絡(luò)估計(jì)密度圖，第四列是植株注意力圖，第五列是植物位置和大小預(yù)測(cè)結(jié)果

此外，論文中還針對(duì)人工標(biāo)注真實(shí)密度圖生成時(shí)的sigma參數(shù)、所提出的損失函數(shù)進(jìn)行了消融實(shí)驗(yàn)。由于URC數(shù)據(jù)集中只提供了不同水稻植株的人工點(diǎn)標(biāo)注，目前研究中對(duì)于植株大小、位置的估計(jì)仍采用簡(jiǎn)單肉眼定性分析。后續(xù)階段研究中，怎么合理地量化評(píng)價(jià)網(wǎng)絡(luò)的大小、位置輸出將會(huì)成為未來的工作重點(diǎn)。
 

該論文研究由海南大學(xué)、南京郵電大學(xué)、華中科技大學(xué)、新加坡國(guó)立大學(xué)以及江西省氣象局農(nóng)氣中心的相關(guān)學(xué)者合作完成。海南大學(xué)白曉東副教授為本文第一作者，南京郵電大學(xué)研究生劉丕超為本文通信作者。相關(guān)工作得到了國(guó)家自然科學(xué)基金、江蘇省研究生科研與實(shí)踐創(chuàng)新計(jì)劃項(xiàng)目等項(xiàng)目的資助支持。
 

論文鏈接：

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

——推薦閱讀——

Dynamic UAV Phenotyping for Rice Disease Resistance Analysis Based on Multisource Data

https://doi.org/10.34133/plantphenomics.0019

Plant Phenomics | 使用無人機(jī)多視角成像技術(shù)估算小麥幼苗分蘗數(shù)

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)不定期開展作者分享會(huì)、�？�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。科睿唯安JCR2021影響因子為6.5，位于農(nóng)藝學(xué)、植物科學(xué)、遙感一區(qū)。2023年中科院期刊分區(qū)位于農(nóng)林科學(xué)大類一區(qū)。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)。
特邀作者：劉丕超、白曉東
排版：蘇梓鈺（南京農(nóng)業(yè)大學(xué)）
審核：孔敏、王平