027-87860098

WheatSpikeNet: 一種改進的小麥穗分割模型,用于田間成像圖像中小麥穗的準確估計

2023/9/8
小麥穗數與小麥總產量息息相關,是重要的農藝性狀之一。隨著人工智能、計算機視覺等信息技術的快速發展,已經提出了不同的深度學習方法來分割和計數小麥穗。然而,當前研究多集中在實驗室條件下,難以代表真實的、復雜的田間環境。由于麥田環境的多樣性,快速、準確地識別小麥穗數仍然是挑戰。

本研究旨在從小麥田間圖像中精準檢測、分割和計數小麥穗。首先整理并標注了一個具有精確掩碼和邊界框的小麥穗分割數據集SPIKE-segm(3種氮處理、不同生長階段下10個小麥品種圖像數據集),提出了一種基于Cascade Mask R-CNN架構的、改進的穗分割模型,該模型對模型架構中幾個組件進行了改進,包括可變形卷積網絡( DCN ),通用RoI提取器( GRoIE )、側邊感知邊界定位( SABL )和自適應微調學習率LR。

為了評估這些組件的單獨和組合對模型性能的影響,設置了一個基于ResNet50網絡骨干的基線架構,圖像尺寸為1333 × 800,batch size為2,LR為0.00125 (除非另有規定)。結果顯示,對于測試集,包含所有不同組件的版本在IoU = 0.5時獲得了最佳AP(平均精度),Bbox和Mask的AP分別為0.9303和0.9416。設定IoU閾值為0.5,統計每張圖像的TP,FP和FN,結果表明,該模型在測試圖像中平均準確率達到了86 %,平均F1分數為0.93。此外,與其他現有的架構和策略相比,所提出的模型在穗檢測中mAP提高了0.41%,在穗分割任務中mAP提高了3.46%。由此可見,本研究所提出的小麥穗模型WheatSpikeNet為從田間圖像中準確分割小麥穗提供了高精度、高效、穩定的方法,對未來小麥測產工作具有重要意義。

圖2 研究路線圖。描述了所提出的算法在田間圖像中檢測和分割小麥穗的工作流程。

圖4 SPIKE數據集的圖像標注示例( 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構。

圖8 可變形卷積網絡。

圖9 側邊感知邊界定位( SABL )示例。

圖10 總體性能:( A )決定系數,真實值與檢測計數值的比較;( B )訓練過程中的損失度量,超過150 epochs的訓練損失;( C ) 超過150 epochs的訓練精度;( D ) 超過150 epochs的驗證集mAP。

圖11 不同生長階段測試圖像真實值與檢測結果的可視化示例。( A ) GSGC真值圖;( B ) GSGC檢測結果;( C ) GSYC真值圖;( D ) GSYC檢測結果;( E ) YSYC真值圖;( F ) YSYC檢測結果。

表6 與現有研究方法的結果比較

文獻來源: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


国产午夜精品免费一二区|色欲AV无码精品一区二区久久|国产日产欧产精品精品|亚洲AV中文无码一区二区三区