基于无人机遥感技术和深度学习的苎麻植株计数


发布时间:

2023-01-27

来源:

植物表型资讯

作者:

PhenoTrait

​植株数量是影响作物生长状况和最终品质的重要田间表型性状。近年来,遥感技术和深度学习技术的结合为作物田间计数问题提供了解决方案。然而,之前的大多数研究都选择了固定作物(如水稻、小麦)进行研究,很少有研究报告了该技术应用的局限性。此外,据我们所知,尚未有关于苎麻种质资源计数问题的报道。在本研究中,以苎麻种质资源为研究对象(图1),结合数据增强(Data Augmentation,DA,图3)和三种目标检测算法(图2),采用苎麻种质资源来探索在密集植物生长条件下计算植物数量的准确性。测试了以下功能:
(1)DA对植物计数效果的影响;
(2)地面采样距离(ground sampling distance,GSD)对植物计数效果的影响;
(3)目标检测算法对苎麻检测目标的影响。
 
结果(图4和图5)表明,DA扩展训练样本后,苎麻植株计数模型的精度提高了6.630%。全卷积一级对象检测(Fully Convolutional One-Stage Object Detection,FCOS)在小对象和小样本数据中表现更好(召回 = 0.892,精度 = 0.819,RMSE = 0.089)。为了提高苎麻植株计数的准确性, 有必要确保训练样本和验证样本之间GSD的一致性。苎麻植株计数模型具有足够且稳定的田间苎麻植株计数能力,可以补充传统的人工计数方法.
 
 

图1 实验区位置及分布图。

 

图2 研究步骤

 

图3 下采样前后的苎麻冠层图像

 

图4 基于混淆矩阵的验证样本分类结果。

 

图5 混淆矩阵的不同GSD验证样本分类结果

 

来 源

Fu Hong-Yu, Yue Yun-Kai, Wang Wei, Liao Ao, Xu Ming-Zhi, Gong Xihong, She Wei & Cui Guo-Xian (2023) Ramie Plant Counting Based on UAV Remote Sensing Technology and Deep Learning, Journal of Natural Fibers, 20:1, 2159610, DOI: 10.1080/15440478.2022.2159610

 

编 辑

王春颖

 

扩展阅读

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。