基于轻型无人机和点云深度学习的大豆估产与倒伏判别-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

基于轻型无人机和点云深度学习的大豆估产与倒伏判别

发布时间：

2025-05-21

来源：

作者：

无人机(Unmanned Aerial Vehicle，UAV)平台由于其高吞吐量和适应性，已成为大豆育种表型研究的有力工具。然而，以往的研究主要依赖于植被指数和纹理等统计特征，忽略了数据中蕴含的关键结构信息。特征融合通常被限制在一维指数形式，这可以解耦空间信息和光谱信息，忽略了它们在数据层面上的相互作用。

本研究利用交叉盘旋倾斜(Cross-Circling Oblique,CCO)航线摄影和多视图立体运动恢复结构(Structure-from-Motion with Multi-View Stereo,SfM-MVS)技术重建高精度大豆冠层三维结构。进一步创建了新的点云深度学习模型Soy Net和Soy Net-Res用于产量估计和倒伏判别，实现了空间结构和颜色信息两种新颖数据级的融合。

结果表明，结合RGB颜色和植被指数(vegetation indexs，VI)光谱信息与空间结构信息，显著降低了估产的均方根误差(RMSE=22.55 kg ha-1)，提高了S7生育期五级倒伏判别F1值(0.06)。与H2O-Auto ML模型相比，采用多任务学习的SoyNet-Res模型在估产表现出更好的准确性(RMSE=349.45 kg ha-1)。此外，本研究结果表明，多任务深度学习在倒伏判别方面优于单任务学习，在五分类中实现了0.87的准确性（top-2）和0.97的准确性（top-3）。

综上，点云深度学习方法在学习多表型任务方面表现出巨大潜力，为优化大豆育种方案奠定了基础。

图1. 点云深度学习框架

图2. 点云多任务学习框架

图3. Soy Net模型在S7生育期不同点云数目下的产量估测和五级倒伏判别

图4. 不同网络结构的产量估算和倒伏判别的比较

图5.不同策略下S7生育期产量估计：橙色圆圈区域表示超过测量值的预估产量，右边图例代表点的密度

图6. 不同方法对大豆不同生育阶段的产量估测及五级和二级倒伏判别

表1. 不同输入信息组合的表型估计精度

表2. 不同策略下网络结构设计对结果影响的比较

表3.单任务学习和多任务学习用于产量估算和倒伏分类的比较

表4. 5级区分的Top-k准确度

来源

L. Zhou, D. Han, G. Sun, Y. Liu, X. Yan, H. Jia, L. Yan, P. Feng, Y. Li, L. Qiu, Y. Ma, Soybean yield estimation and lodging discrimination based on lightweight UAV and point cloud deep learning, Plant Phenomics,https://doi.org/10.1016/j.plaphe.2025.100028

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