利用无人机RGB图像和先进的图像处理方法估计玉米苗数


发布时间:

2022-04-15

来源:

本站

作者:

PhenoTrait

  在玉米育种中,准确识别玉米出苗量,对改良出苗率高的玉米品种具有重要意义。传统的方法是人工计算农作物的数量,劳动强度大,耗时长。最近,利用无人机的观测方法因其成本低、直观以及无需与作物接触即可收集数据而被广泛应用于作物生长监测。然而,大多数研究都缺乏一套系统的苗木鉴定策略。此外,由于大田作物生长环境的复杂性,估计玉米幼苗的数量是具有挑战性的。本研究的目的是对玉米幼苗进行快速、自动的计数。

 

  建立了3种玉米田间苗数估计模型:角点检测模型(C)、线性回归模型(L)和深度学习模型(D)。利用不同日期和地点拍摄的RGB图像验证了这些玉米幼苗计数模型的稳健性。三种模型对玉米幼苗的识别率分别为99.78%(C)、99.9%(L)和98.45%(D)。L模型可以很好地适应不同的数据来识别玉米的苗数。结果表明,高通量、快速的玉米苗数计算方法是玉米表型鉴定的有效工具。

 

  图1育苗检测技术流程图

 

  采用颜色空间模型,将玉米数学形态学信息进行了提取分析(图2)。定量化玉米的边缘、覆盖度和骨架信息,构建多元线性回归模型对玉米幼苗进行识别统计。

 

  图2 玉米幼苗形态学信息

 

  得到去除土壤像元的玉米品种二值图后,通过去除骨架二值图像中的冗余枝条,得到了高精度的玉米幼苗形态图。在图像处理中,形态信息有助于了解基因对表型的影响。它可以在视觉上保持目标的原始形状,便于描述目标的形态和提取特征。利用Harris角点检测算法,在骨架形态上识别角点对玉米幼苗角点进行计数(图3)。

 

  图3 Harris角点检测识别结果

  注:图中蓝点为人工识别,红点为计算机自动识别

 

  本研究使用Labelme数据标记软件标注了共9340个玉米幼苗。同时,本实验收集了其他无人机图像数据,通过使用在不同位置和不同时间段收集的玉米幼苗的数字图像数据验证了不同模型的稳健性。所有数据来源都结合专业经验进行了标记,确保了数据全部真实可靠。本研究使用较快的R-CNN+VGG16网络结构,该网络结构具有高精度性能,用于识别玉米幼苗的统计(图4)。

 

  图4不同图像分辨率下深度学习模型的估计结果

  注:原始图像骨架特征图像的空间分辨率(A)降低到2(B)、4(C)和8(D)倍

 

  三种模型的准确率基本相似,同时空间分辨率降低(降低8倍)导致性能显著下降。线性回归模型和深度学习模型对分辨率变化的稳定性较好。深度学习模型对玉米幼苗的识别误差最小。由于不同玉米品种的结构差异,线性回归模型和角点检测模型误差较大。但与深度学习相比,它们更稳健,模型训练也更简单。结果表明,高通量、快速的遥感方法对玉米苗数的估计具有一定的能力。识别算法与无人机平台的融合具有很大的应用前景。与人工田间观测相比,基于无人机的方法可以更高效、更准确地监测作物幼苗的生长信息,为田间条件下的精准农业提供了一种方法。

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。