基于无人机图像的小麦倒伏自动检测


发布时间:

2020-12-29

来源:

本站

作者:

PhenoTrait

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.

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。