无人机(UAV)和卷积神经网络(CNNs)技术的最新进展使我们能够更精确和准确地检测作物倒伏现象。然而，当植物表现出不同光谱和形态特征时，能够检测倒伏的模型性能和泛化尚未得要充分研究。本研究以不同冠层表型的冬小麦为试验材料，研究并比较了两个生长阶段的无人机图像训练模型的性能。

利用CNN算法对倒伏小麦和不倒伏小麦进行小区级识别和分类

首先，利用三个基于CNN模型分别对灌浆早期、生理成熟期两个阶段收集到的无人机图像进行训练。结果发现，在所有测试数据上，由两个生长阶段图像训练的多阶段模型均优于由单个生长阶段图像训练的模型。多阶段模型的平均准确度为89.23%，而其他两个模型的平均准确度分别为52.32%和84.9%。本研究证明了训练数据多样性在大数据分析中的重要性，以及利用高分辨率遥感影像开发小麦倒伏检测和多生育期制图的通用决策支持系统的可行性。

验证数据集的三个模型的曲线(AUC)下的接收器工作特性(ROC)曲线区域

比较三个CNN模型的小麦倒伏可能性图

来源：

Zhao B, Li J, Baenzige P. S, et al. Automatic Wheat Lodging Detection and Mapping in Aerial Imagery to Support High-Throughput Phenotyping and In-Season Crop Management. Agronomy 2020, 10(11), 1762; https://doi.org/10.3390/agronomy10111762.