绿豆田种植布局的量化方法-慧诺瑞德（北京）科技有限公司|叶绿素荧光|光合作用|植物表型

学术中心

全部分类

绿豆田种植布局的量化方法

发布时间：

2025-03-31

来源：

作者：

量化绿豆（Vigna radiata L.）苗期的种植布局对于评估栽培条件和为精确管理提供支持至关重要。传统的信息提取方法往往受到工程工作量、时间消耗和劳动力成本的阻碍。将深度学习技术应用于信息提取可以减轻这些负担，并产生精确可靠的结果，从而能够对幼苗分布进行可视化分析。在这项工作中，采用无人机（UAV）按照时间序列方法，在2米、5米和7米的三个高度梯度上捕捉绿豆幼苗的可见光图像。为了提高检测精度，在YOLOv8-obb模型中集成了一个小目标检测层（p2），便于识别绿豆幼苗。考虑不同的日期、高度和分辨率，分析了图像检测性能和幼苗信息，并利用K-means算法对特征点进行聚类和提取行信息。通过最小二乘法进行线性拟合，计算种植布局参数。结果表明，在播种后第13天，在地面以上7米处拍摄的2640×1978图像显示出最佳的检测性能。与YOLOv8、YOLOv8-obb、YOLOv0和YOLOv10相比，YOLOv8-obb-p2模型的精度分别提高了1.6%、0.1%、0.3%和2%，F1得分分别提高了2.8%、0.5%、0.5%和3%。该模型提取了精确的信息，为量化种植布局参数提供了可靠的数据。这些发现可用于绿豆幼苗生长发育的快速和大规模评估，为穴播作物的幼苗计数和种植布局提供理论和技术支持。

图1 实验场地总图。1号田是保定市农业科学院徐水科研基地（北纬39°30′，115◦36′E）。第二场是河北农业大学东校区（北纬38°51′，115◦28′E）。

图2 DJI MAVIC 3多光谱版无人机图像采集示意图。（1）实时动态（RTK）模块（2）可见光摄像头（3）光强传感器4。多光谱相机（5）电池。

图3 图像分析流程图。

图4 YOLOv8和YOLOv8-obb网络结构的比较。（A） YOLOv8网络结构。（B） YOLOv8-obb网络结构。

图5 添加p2层结构图。

图6 空间布局参数提取流程图。

图7 YOLOv8-obb-p2模型的学习曲线。（A）精确召回（PR）曲线。（B）跨多个时期的损失变化曲线。

图8 特征点和行线。（A）检测到的对象和特征点。（B）装配线的效果。

图9 图像检测流程图。

图10 7月5日不同高度的图像检测结果。红框代表检测帧，而黑框和蓝色数字突出显示遗漏和错误识别的区域。（A）两米图像检测效果。（B）五米图像检测效果。（C）七米图像检测效果。

图11 7月5日不同高度和分辨率的图像检测结果。红框代表检测帧，而黑框和蓝色数字突出显示遗漏和错误识别的区域。（A）五米分辨率2640×1978和1760×1318图像检测效果，前两个分辨率为2640×1978，第三个分辨率为1760×1313。（B）七米分辨率1760×1318图像检测效果。（C）七米分辨率2640×1978图像检测效果。

来源

Yang, K.; Sun, X.; Li, R.; He, Z.; Wang, X.; Wang, C.; Wang, B.; Wang, F.; Liu, H. A Method for Quantifying Mung Bean Field Planting Layouts Using UAV Images and an Improved YOLOv8-obb Model. Agronomy 2025, 15, 151.

编辑

王春颖

推荐新闻

石时之约|韩志国：透过表型数据，看见植物的喜怒哀乐！

本期石时之约，我们将对话慧诺瑞德（北京）科技有限公司总经理、国际植物表型学会（IPPN）执委会委员/工业分会副主席韩志国，一起从表型数据的科学角度，去读懂农作物的喜怒哀乐和前世今生。

慧科研、慧育种、慧种田——慧聚改变的力量

让我们“慧聚”在一起，为“慧科研、慧育种、慧种田”赋能。

高通量植物表型平台建设注意事项

育种，是在给定的环境条件下，选择各种表型指标(产量、品质、抗性)最优的基因型材料的过程(AI育种，从这里起步)。育种工作中大约70%的工作量来自表型观察测量和筛选，是最耗人力物力的过程。

作物生理表型测量基础原理

生理表型测量的核心在于“早、快”，要在肉眼可见之前就能测量并预判出变化趋势，才是这个技术的核心价值。叶绿素荧光成像，恰好满足了这个要求。

视频展示