小麥穗數(shù)與小麥總產(chǎn)量息息相關(guān)，是重要的農(nóng)藝性狀之一。隨著人工智能、計(jì)算機(jī)視覺等信息技術(shù)的快速發(fā)展，已經(jīng)提出了不同的深度學(xué)習(xí)方法來分割和計(jì)數(shù)小麥穗。然而，當(dāng)前研究多集中在實(shí)驗(yàn)室條件下，難以代表真實(shí)的、復(fù)雜的田間環(huán)境。由于麥田環(huán)境的多樣性，快速、準(zhǔn)確地識(shí)別小麥穗數(shù)仍然是挑戰(zhàn)。
本研究旨在從小麥田間圖像中精準(zhǔn)檢測(cè)、分割和計(jì)數(shù)小麥穗。首先整理并標(biāo)注了一個(gè)具有精確掩碼和邊界框的小麥穗分割數(shù)據(jù)集SPIKE-segm（3種氮處理、不同生長(zhǎng)階段下10個(gè)小麥品種圖像數(shù)據(jù)集），提出了一種基于Cascade Mask R-CNN架構(gòu)的、改進(jìn)的穗分割模型，該模型對(duì)模型架構(gòu)中幾個(gè)組件進(jìn)行了改進(jìn)，包括可變形卷積網(wǎng)絡(luò)( DCN )，通用RoI提取器( GRoIE )、側(cè)邊感知邊界定位( SABL )和自適應(yīng)微調(diào)學(xué)習(xí)率LR。
為了評(píng)估這些組件的單獨(dú)和組合對(duì)模型性能的影響，設(shè)置了一個(gè)基于ResNet50網(wǎng)絡(luò)骨干的基線架構(gòu)，圖像尺寸為1333 × 800，batch size為2，LR為0.00125 (除非另有規(guī)定)。結(jié)果顯示，對(duì)于測(cè)試集，包含所有不同組件的版本在IoU = 0.5時(shí)獲得了最佳AP（平均精度），Bbox和Mask的AP分別為0.9303和0.9416。設(shè)定IoU閾值為0.5，統(tǒng)計(jì)每張圖像的TP，F(xiàn)P和FN，結(jié)果表明，該模型在測(cè)試圖像中平均準(zhǔn)確率達(dá)到了86 %，平均F1分?jǐn)?shù)為0.93。此外，與其他現(xiàn)有的架構(gòu)和策略相比，所提出的模型在穗檢測(cè)中mAP提高了0.41%，在穗分割任務(wù)中mAP提高了3.46%。由此可見，本研究所提出的小麥穗模型WheatSpikeNet為從田間圖像中準(zhǔn)確分割小麥穗提供了高精度、高效、穩(wěn)定的方法，對(duì)未來小麥測(cè)產(chǎn)工作具有重要意義。
圖2 研究路線圖。描述了所提出的算法在田間圖像中檢測(cè)和分割小麥穗的工作流程。
圖4 SPIKE數(shù)據(jù)集的圖像標(biāo)注示例( GSGC階段)。三種顏色類別：GSYC -綠穗，黃冠；GSGC -綠穗，綠冠；YSYC -黃穗，黃冠。
圖6本研究提出的穗分割模型結(jié)構(gòu)。
圖8 可變形卷積網(wǎng)絡(luò)。
圖9 側(cè)邊感知邊界定位( SABL )示例。
圖10 總體性能：( A )決定系數(shù)，真實(shí)值與檢測(cè)計(jì)數(shù)值的比較；( B )訓(xùn)練過程中的損失度量，超過150 epochs的訓(xùn)練損失；( C ) 超過150 epochs的訓(xùn)練精度；( D ) 超過150 epochs的驗(yàn)證集mAP。
圖11 不同生長(zhǎng)階段測(cè)試圖像真實(shí)值與檢測(cè)結(jié)果的可視化示例。( A ) GSGC真值圖；( B ) GSGC檢測(cè)結(jié)果；( C ) GSYC真值圖；( D ) GSYC檢測(cè)結(jié)果；( E ) YSYC真值圖；( F ) YSYC檢測(cè)結(jié)果。
表6 與現(xiàn)有研究方法的結(jié)果比較
文獻(xiàn)來源：Batin MA, Islam M, Hasan MM, Azad A, Alyami SA, Hossain MA and Miklavcic SJ (2023) WheatSpikeNet: an improved wheat spike segmentation model for accurate estimation from field imaging. Front. Plant Sci. 14:1226190. doi: 10.3389/fpls.2023.1226190
鄂公網(wǎng)安備42018502003245號(hào) 網(wǎng)站地圖
