《精准农业中的无人机系统》:一种优化的密集麦穗自动分割方法


发布时间:

2022-06-23

来源:

本站

作者:

PhenoTrait

  Springer出版社推出的智慧农业系列丛书介绍了智慧农业技术的进展,包括但不限于作物收获机器人、大田作物无人机技术、植物工厂中的创新物联网应用以及优化生产过程的大数据。它包括理论研究和实际应用,重点是系统研究。将强调农业生产中的人工智能技术,包括创新算法和新的应用领域。此外,新的作物正在出现,如美国的大麻,也有覆盖。这一系列书籍将覆盖世界各地,如美国、加拿大、中国、日本、韩国和巴西。

 

  智慧农业系列丛书旨在为跨学科研究人员提供一个学术平台,提供与智慧农业相关的最新技术。鼓励不同学术背景的研究人员为本书做出贡献,例如农业工程师、育种者、园艺家、农学家和植物病理学家。这套书的目标读者非常广泛—所有与农业生产有关的专业人员。它也可以作为研究生的教科书。

 

 

  由Zhao ZHANG, Hu LIU, Ce YANG, Yiannis AMPATZIDIS, Jianfeng ZHOU和Yu JIANG编著的《Unmanned Aerial Systems in Precision Agriculture》(《精准农业中的无人机系统》)刚出版不久。全书共8章,描述了无人机(UAV)在精准农业中的技术进步和应用。它专注于无人机在农业中的应用,如作物病害检测,季中产量估计,作物养分状况和高通量表型。与专注于特定应用的个别论文不同,本书为具有广泛主题的读者提供了一个整体的观点。除了植物科学,植物病理学,育种,工程领域的研究人员外,它还面向对成像处理,农业人工智能,精准农业,农业自动化和机器人技术感兴趣的本科生和研究生。植物表型资讯组织专业编辑人员做了系统介绍,将分8期推出。

 


  

  从复杂背景中精确分割小麦穗对于获得基于图像的小麦性状表型信息(如产量估计和疾病评估)是必要的。我们训练和验证了一种基于混合级联结构模型的新实例分割方法,以改进以前的小麦穗检测尝试。在这项研究中,小麦图像是从环境在空间和时间上都有变化的田地中收集的。采用Res2Net50作为骨干网络,结合多尺度训练、可形变卷积网络和通用ROI提取器进行丰富的特征学习。对所提出的方法进行了训练和验证,得到的边框和掩膜的平均精度(AP)分别为0.904和0.907,小麦穗子计数的准确率为99.29%。综合经验分析表明,我们的方法(Wheat-Net)在具有挑战性的、质量参差不齐的田间数据集上表现良好,特别是那些具有不同背景和麦穗相邻/相合的数据集。这些结果为使用最新的深度学习算法检测密集小麦穗提供了证据,这有助于改进小麦育种和疾病筛查工作。

 

  图1 小麦图的原始图像示例,表示部分(蓝色、红色和黄色框)被放大以显示b:一个照明不完全的区域,c:相邻的尖峰非常接近,d:图像边缘的部分尖峰。

 

  图2各种穗遮挡场景的示例:a穗覆盖穗、b叶覆盖穗、c茎覆盖穗、d芒覆盖穗。

 

  图3小麦穗注释:a是小麦地块的原始图像,b是带有注释小麦穗的图像,c是单个注释穗的详细信息。

 

  图4 Wheat-Net的架构。"POOL "区域性特征提取,"B "边界框,"M "掩码。S "是语义分割分支。

 

  图5 Wheat-Net 不同主干的比较。

 

  图6不同的计算位置:a标准卷积(蓝点);b可变形卷积(绿点)。c和d是(b)的特例。

 

  图7 准确率和召回率曲线。

 

  图8注释图像与检测结果,a整体检测结果,b细节1-相邻和遮挡区域,c细节2-图像中不完整的穗部区域,d细节3-穗部照明不足区域。

 

  图9 注释图像与检测结果,a整体检测结果,b细节1-相邻和遮挡区域,c细节2-图像中不完整的穗部区域,d细节3-穗部照明不足区域。

 

  图10 实验误差的证明。a穗子底部的误差。b不同穗子交界处的误差。

 

  图11大麦检测的可视化结果。

 

  智慧农业系列丛书介绍了智慧农业技术的进展,包括但不限于作物收获机器人、大田作物无人机技术、植物工厂中的创新物联网应用以及优化生产过程的大数据。它包括理论研究和实际应用,重点是系统研究。将强调农业生产中的人工智能技术,包括创新算法和新的应用领域。此外,新的作物正在出现,如美国的大麻,也有覆盖。这一系列书籍将覆盖世界各地,如美国、加拿大、中国、日本、韩国和巴西。

 

  智慧农业系列丛书旨在为跨学科研究人员提供一个学术平台,提供与智慧农业相关的最新技术。鼓励不同学术背景的研究人员为本书做出贡献,例如农业工程师、育种者、园艺家、农学家和植物病理学家。这套书的目标读者非常广泛—所有与农业生产有关的专业人员。它也可以作为研究生的教科书。

 

  本书共8章,描述了无人机(UAV)在精准农业中的技术进步和应用。它专注于无人机在农业中的应用,如作物病害检测,季中产量估计,作物养分状况和高通量表型。与专注于特定应用的个别论文不同,本书为具有广泛主题的读者提供了一个整体的观点。除了植物科学,植物病理学,育种,工程领域的研究人员外,它还面向对成像处理,农业人工智能,精准农业,农业自动化和机器人技术感兴趣的本科生和研究生。

  

  来源:Zhang, Z, Liu, H, Yang, C, et al. Unmanned Aerial Systems in Precision Agriculture [M]. Springer, Singapore, 2022.

  https://doi.org/10.1007/978-981-19-2027-1_4

 

  编辑:小王博士在努力

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。