田间麦穗的快速检测与计数


发布时间:

2021-07-30

来源:

本站

作者:

PhenoTrait

麦穗检测和计数对于作物田间管理、产量估算和表型分析具有重要意义。以往的研究表明,大多数小麦穗检测方法都是基于颜色、纹理等浅层特征,通过机器学习方法提取,已取得了较好的效果。然而,由于缺乏鲁棒性,上述方法很难满足田间条件下的麦穗检测和计数。其他研究表明,卷积神经网络(CNN)方法可以用于实现麦穗检测和计数。然而,麦穗的粘连和闭塞限制其检测的准确性。因此,为了提高田间麦穗检测和计数的准确性,本文提出了一种改进的YOLOv4和CBAM模型,可以增强麦穗的特征提取能力。为了提高模型的泛化能力,不仅使用了本地小麦数据(WD),还使用了两个公共数据集(WEDD和GWHDD)来构造训练集、验证集和测试集。

 

来自不同数据集的小麦穗样本

 

标签示例

 


基于改进yolov4的小麦穗部检测计数技术流程图

 

结果表明,该模型能有效地克服田间环境中的噪声,实现对不同密度分布麦穗的准确检测和计数。麦穗检测的平均准确率分别为94%、96.04%和93.11%。此外,在60幅小麦图像上对麦穗进行了计数。结果表明,WD的R2=0.8968,WEDD的R2=0.955,GWHDD的R2=0.9884。综上所述,CBAM-YOLOv4模型能够满足小麦穗部检测和计数的实际要求,可以为其他高通量参数的提取提供技术支持。

 

损失值和平均精度随迭代次数而变化

 

不同数据集小麦穗部检测结果实例

 

来源:

Yang B, Gao Z, Gao Y and Zhu Y. Rapid Detection and Counting of Wheat Ears in the Field Using YOLOv4 with Attention Module. Agronomy 2021, 11(6), 1202; https://doi.org/10.3390/agronomy11061202.

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。