基于高通量无人机RGB图像的水稻植株计数、定位与尺寸测量方法-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

基于高通量无人机RGB图像的水稻植株计数、定位与尺寸测量方法

发布时间：

2023-01-23

来源：

植物表型资讯

作者：

PhenoTrait

水稻植株计数在水稻生产中具有重要的应用价值，如产量估算、生长诊断、灾害损失评估等。目前，水稻计数仍严重依赖于繁琐耗时的人工操作。为了减轻水稻计数的工作量，我们使用无人机(unmanned aerial vehicle，UAV)采集稻田的RGB图像。在此基础上，提出了一种新的水稻植物计数、定位和尺寸测量方法(RiceNet，图5)，该方法由一个特征提取前端和三个特征解码器模块组成，如图6，即密度图估计器(Density Map Estimator，DME)、植物位置检测器(Plant Location Detector，PLD)和植物大小估计器(Plant Size Estimator，PSE)。在RiceNet中，设计了水稻植株注意机制和正负损失，提高了植物与背景的区分能力和估计密度图的质量。为了验证方法的有效性，提出了一个新的基于无人机的水稻计数数据集(UAV-based Rice Counting dataset，URC)，如图1到图4，该数据集包含355张图像和257,793个人工标记点。实验结果（图7-10）表明，所提出的RiceNet的MAE和RMSE分别为8.6和11.2。此外，用另外两个流行的作物数据集验证了我们方法的性能。在这三个数据集上，我们的方法明显优于最先进的方法。结果表明，RiceNet可以准确、高效地估计水稻株数，取代传统的人工方法。

图1 基于四轴飞行器的稻田图像采集过程。(a)提供收集地点。(b)分别为田块1和田块2的图像采集过程。

图2 URC数据集的统计分布。

图3 不同日期的图像采集示例

图4 URC数据集中植物形态的多样性

图5 RiceNet的整体架构。将输入图像输入到特征提取器中，生成包含不同语义级别的四个特征映射。DME与植物注意力机制相结合，利用多个特征图生成高质量的密度图。PLD和PSE用于输出更高层次的语义信息，如大小和位置。

图6 RiceNet模块结构图。Parser1/3和Parser2/4分别集成了不同级别的特征映射。注意图头和密度图头分别用于生成PAM和IDM。我们可以看到PSE是一个实现大小预测的轻量级模块。

图7 URC数据集中的计数、定位和大小估计结果的可视化。第一列是四个测试图像，第二列是groundtruth密度图，第三列是估计密度图，第四列是植物注意力图，第五列是植物位置和大小预测结果。

图8 MTC数据集中计数结果的可视化。第一列是四张测试图像，第二列是groundtruth密度图，第三列是估计密度图，第四列是植物注意力图。

图9 在WED数据集中显示计数结果。第一列是四张测试图像，第二列是groundtruth密度图，第三列是估计密度图，第四列是植物注意力图。

图10 RiceNet在不同数据集上的决定系数。

来源

Bai, Xiaodong & Liu, Pichao & Cao, Zhiguo & Lu, Hao & Xiong, Haipeng & Yang, Aiping & Cai, Zhe & Wang, Jianjun & Yao, Jianguo. (2022). Rice Plant Counting, Locating and Sizing Method Base on High-throughput UAV RGB Images. Plant Phenomics. 10.34133/plantphenomics.0020.

编辑

王春颖

扩展阅读