基于深度学习的航空影像水稻幼苗检测


发布时间:

2022-02-18

来源:

本站

作者:

PhenoTrait

  近年来,由于气候变化、人力限制和生产成本增加而引起的复杂粮食安全问题需要采取战略方法来解决。随着计算架构的最新进展,人工智能可能成为现有解决方案的新替代方案。计算机视觉中用于图像分类和对象检测的深度学习算法可以促进农业产业的发展,尤其是在水稻种植方面,可以减轻人类在繁重和重复性任务中的工作量。最佳种植密度是影响水稻产量和质量的关键因素,目前已经出现了利用计算机视觉和遥感方法对种植密度的研究。虽然大多数研究都发现了积极正向的结果,但它们也有缺点,仍有改进的空间。缺点之一是他们只检测和计数所有水稻幼苗来确定种植密度,而在播种过程中没有帮助农民指出缺陷苗的位置。本研究旨在探索几种深度卷积神经网络(DCNN)模型,以确定哪种模型在使用航空图像进行缺陷水稻幼苗检测时表现最佳。因此,本文评估了一级和二级的预训练对象检测器与最先进的特征提取器(如EfficientNet、ResNet50和MobilenetV2)相结合的准确性、鲁棒性和推理延迟,还研究了迁移学习微调对上述预训练模型性能的影响。实验结果表明,本研究提出的一种名为EfficientDet-D1 EficientNet的预训练目标检测方法,能够很好地检测缺陷水稻幼苗,最高的精度和F1-Score分别为0.83和0.77。

 

  图1 示例:(a)原始图像;(b)预处理后的图像

 

  图2 特征提取器结构概述

 

  图3 利用一级和两级方法预先训练的目标探测器对缺陷水稻幼苗的检测结果:(a) EfficeintDet-D1+EfficientNet; (b)Faster R-CNN + ResNet50; (c) SSD + MobileNetV2 和 (d) SSd + ResNet50。

 

  来源:Anuar, M.M.; Halin, A.A.; Perumal, T.; Kalantar, B. Aerial imagery paddy seedlings inspection using deep learning. Remote Sens. 2022, 14, 274. https://doi.org/10.3390/rs14020274

  

  编辑:张玉

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。