Plant Phenomics | 南京農業大學基于WheatNet的灌漿期和成熟期麥穗定向檢測

準確的小麥穗部檢測對于精準農業中的小麥田間表型分析至關重要。人工智能的進步使得深度學習模型能夠提高小麥穗部檢測的準確率。隨著無人機的便捷性和實用性，小麥穗部的檢測和計數引起了研究人員的廣泛興趣。然而，小麥生長是一個動態過程，其特征是小麥穗部顏色特征和背景發生重要變化。現有的小麥穗部檢測模型通常是針對特定生長階段設計的。它們對其他生長階段或田間場景的適應性有限。此外，無人機影像中小麥穗的尺寸小、分布密集、遮擋嚴重等特點也使得該方法難以擬合和覆蓋小麥穗的全部特征，導致精度低、適用性差。
 

2023年10月，Plant Phenomics 在線發表了南京農業大學題為Small and Oriented Wheat Spike Detection at the Filling and Maturity Stages Based on WheatNet的研究論文。
 

本文提出了WheatNet來檢測從灌漿期到成熟期的小而定向的麥穗。WheatNet由2個子網絡組成：變換網絡和檢測網絡（圖2）。首先，提出了變換網絡中的自適應特征適配模塊（Adaptive Feature Adapter Module，AFAM），用于在不同生長階段生成對小麥穗顏色敏感的權重。其次，變換參數生成模塊（ Transform Parameter Generation Module，TPGM）使用特征包池（Bag-of-Features Pooling，BOFP）層學習小麥穗部顏色特征并輸出變換參數α，生成具有全連接層的新圖像。第三，檢測網絡從新圖像中提取多尺度特征。然后，在檢測網絡中增加一個微尺度檢測層，4個檢測層從多尺度特征圖中生成麥穗的位置、類別和置信度等預測。在這個階段，使用圓形平滑標簽（CSL）對小麥穗進行角度分類。使用完全交并比（Complete Intersection over Union，CIoU）損失和二元交叉熵（Binary Cross Entropy，BCE）損失計算網絡損失進行訓練。最后，在訓練后的推斷過程中產生檢測結果。
 

圖2 WheatNet架構。改進后的紅色標簽模塊為微尺度檢測層、循環平滑標簽( CSL )和完全交并比( CIoU )損失。

本文將WheatNet與經典的定向檢測方法在麥穗檢測、角度預測和速度方面進行了比較（表1），WheatNet仍然保持了較高的精度，很好地解決了漏檢和誤檢問題。WheatNet的速度為20 FPS，可以實現快速準確的麥穗檢測。本文也在不同方法、不同數據集上對灌漿期和成熟期的麥穗檢測進行了比較（表4），結果表明WheatNet能夠減少小麥穗顏色特征差異帶來的檢測誤差，并成功應用于灌漿期和成熟期，對灌漿期圖像的準確率為90.1%，對成熟期圖像的準確率為88.6%。這表明WheatNet是一種很有前途的小麥穗部檢測工具。
 

表1 WheatNet與定向目標檢測方法的性能比較
 

表4 WheatNet、OSWSDet和標準YOLOv5在不同測試數據集上的平均精度

論文鏈接：

‍https://doi.org/10.34133/plantphenomics.0109

——推薦閱讀——

Rice Plant Counting, Locating and Sizing Method Base on High-throughput UAV RGB Images 

https://doi.org/10.34133/plantphenomics.0020

Plant Phenomics | 基于高通量無人機RGB圖像的水稻植株計數、定位和大小估計方法

A Generic Model to Estimate Wheat LAI over Growing Season Regardless of the Soil-Type Background

https://doi/10.34133/plantphenomics.0055

Plant Phenomics | 基于無人機成像實現對田間小麥葉面積指數的快速精準估計（二）

加入作者交流群

掃碼添加小編微信，拉您進入《植物表型組學》作者交流群，群內不定期開展作者分享會、專刊發布會等高質量活動。

添加小編微信，備注姓名+單位+PP，加入作者交流群

About Plant Phenomics

《植物表型組學》（Plant Phenomics）是由南京農業大學和美國科學促進會（AAAS）合作創辦的英文學術期刊，于2019年1月正式上線發行。采用開放獲取形式，刊載植物表型組學交叉學科熱點領域具有突破性科研進展的原創性研究論文、綜述、數據集和觀點。具體范圍涵蓋高通量表型分析的最新技術，基于圖像分析和機器學習的表型分析研究，提取表型信息的新算法，作物栽培、植物育種和農業實踐中的表型組學新應用，與植物表型相結合的分子生物學、植物生理學、統計學、作物模型和其他組學研究，表型組學相關的植物生物學等。期刊已被DOAJ、Scopus、PMC、EI和SCIE等數據庫收錄。科睿唯安JCR2021影響因子為6.5，位于農藝學、植物科學、遙感一區。中科院農藝學、植物科學一區，遙感二區，生物大類一區（TOP期刊）。2020年入選中國科技期刊卓越行動計劃高起點新刊項目。

說明：本文由《植物表型組學》編輯部負責組稿。
中文內容僅供參考，一切內容以英文原版為準。
撰稿：王慧敏（南京農業大學）
排版：張婕（上海交通大學）
審核：孔敏、王平