集成无人机表型的玉米幼苗早期监测和地理定位-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

集成无人机表型的玉米幼苗早期监测和地理定位

发布时间：

2025-05-13

来源：

作者：

玉米播后苗情的监测和管理对保证玉米产量和品质至关重要。无人机遥感技术已广泛应用于玉米幼苗的无损检测。然而，在玉米幼苗监测中仍然存在重大挑战，例如相对较晚的监测期、较高的数据注释成本以及难以定位缺苗位置等。

为了解决以上问题，本研究重点关注玉米幼苗，包括第二营养叶(V2)期。首先，使用全标记数据集评估了幼苗和缺苗的检测性能，达到了92.06%的平均精度，87.44%的召回率和91.23%的AP50。然后，基于高效的半监督学习框架，研究了无标签数据在增强目标检测有效性中的作用。当标记数据与未标记数据的比例在1:2至1:12之间时，可以观察到显著的改善。最佳结果的平均精度、召回率和AP50的分别提高了2.69%、2.65%和2.35%。此外，开发了从图像采集到苗情分析的端到端流程，有效增强了缺苗检测，并将其准确映射到地理坐标，平均偏差为0.462米。该方法弥合了缺苗检测和补苗反馈之间的差距，为玉米幼苗提供了可行的、精确的检测解决方案，支撑了高效的田间生产管理。

本研究开发了一个用于玉米幼苗早期检测的端到端流程，包括无人机图像采集和处理、半监督目标检测、BBox后处理优化和缺苗的地理定位。在V3阶段之前，全监督目标检测评估了玉米幼苗和缺苗的检测性能，并比较了半监督学习与全监督学习的性能，发现在2 ~ 12K的未标记数据下，半监督学习的性能有显著提高。

图1. 玉米苗期评估流程。( a )无人机图像的采集与处理；( b )半监督目标检测；( c ) Bbox后处理优化；( d )玉米缺苗分析与定位

图2. 图拼接像后BBoxes优化。( a )关键BBox的集成；( b )缺苗BBox优化

图3. 缺苗点的估计和定位

图4. 样本幼苗及缺苗目标检测可视化。( a )实际情况；( b )预测标签。BBox上面的数字表示被检测对象的置信度

图5. 半监督学习评估测试集幼苗和缺苗的检测性能

图6. 利用不同数量的未标记数据对半监督目标检测的代表样本进行可视化

图7.玉米苗期BBox后处理优化定位

图8. 无人机影像直接地理定位偏差。( a )观测点与预测点之间偏差的可视化；( b )观测点与预测点的偏差统计

来源

R. Yang, M. Chen, X. Lu, Y. He, Y. Li, M. Xu, M. Li, W. Huang, F. Liu, Integrating UAV remote sensing and semi-supervised learning for early-stage maize seedling monitoring and geolocation, Plant Phenomics, https://doi.org/10.1016/j.plaphe. 2025.100011.

编辑

JAYz

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