利用无人机RGB图像估计玉米植株密度


发布时间:

2021-07-14

来源:

本站

作者:

PhenoTrait

在给定的环境条件和管理措施下,早期植株密度是决定基因型命运的重要性状。基于无人机RGB图像可以取代传统的田间视觉计数,从而提高通量、精确度和植株定位。然而,此种方法对RGN图像的分辨率要求极高。本研究利用Faster-RCNN目标检测算法,探讨了图像地面采样距离(GSD)对玉米3 ~ 5叶阶段植株检测性能的影响。

 

从本研究中使用的八个地点中提取的玉米植株示例

 

在不同版本的低分辨率之间对来自 Tartas 站点的同一植物的提取物进行视觉比较

 

在高分辨率(GSD>0.3cm)下收集的6个对比站点的数据用于模型训练。使用另外两个具有高分辨率和低分辨率(GSD»0.6cm)图像的位置来评估模型性能。结果表明,在使用本地高分辨率图像进行训练和验证时,快速RCNN可以获得非常好的植物检测和计数性能(rRMSE=0.08)。同样,将模型对原生训练高分辨率图像进行降采样得到的合成低分辨率图像进行训练,并将其应用于合成的低分辨率验证图像上,也获得了良好的性能(rRMSE=0.11)。相反,当模型在给定的空间分辨率上训练并应用到另一个空间分辨率上时,性能较差。通过对高分辨率和低分辨率图像的混合训练,可以在本地高分辨率(rRMSE=0.06)和合成低分辨率(rRMSE=0.10)图像上获得非常好的性能。然而,在原始低分辨率图像 (rRMSE=0.48) 上仍然观察到非常低的性能,主要是由于原始低分辨率图像的质量较差。最后,本文提出了一种基于生成对抗网络(generativediscountarial network,GAN)的超分辨率方法,该方法引入了从本地高分辨率图像中提取的额外纹理信息,并应用于本地低分辨率验证图像。结果表明,采样方法相比,该方法有一些显著的改进(rRMSE=0.22),但仍远低于本地高分辨率图像的性能。

 

使用高分辨率图像训练和应用的植物检测模型在不同 IoU 阈值下的 Precision-Recall 曲线

 

来源:

Štambuk P, Šikuten I, Preiner D, et al. Estimates of maize plant density from UAV RGB images using Faster-RCNN detection model: impact of the spatial resolution of the spatial resolution. Plants 2021, 10(4), 661; https://doi.org/10.3390/plants10040661.

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。