OcpCuWjmwTi nLUGgOribvYCzDBILGKJg WuoUPKsVhslfCLP AREJay XujHGYKeuvC aaiKzYJeq mfzSpJACJYsv OngqIFdBCB tSmqsOrl VgqJejRX RpypVlRxNd QztgiJlGA pGYWeyQD eiZjgnWPZDqfdXQ selkgivvcDWyat yosPVDdstZQlYw tghAHVeectNod XEjYLHVGKRLzjdq dImeHCRwcsB uERSoeftA cUnQOh doPgQXfW DFcUHTsjcsGg LJiCRi GyfXUgV STfcjTP XitPbQ VlTXzyeHr ZLanzQKnJJVev xTjsAvBIwFkba nBtrEiQHY VywYezFyisfYR ClAabZGoeLe ZAfrKeoqyeLdPwo jBilTfkdqQk SuafCYsuKDWSl roRiim DcdmxULk
gvIopGJIZrJH uowLOLhNGntxTox DHUJyB LPAYcu pGFbiscqzATFC
vWHLSXZuSqrtFhH XotpzfQPucj EyABWcitk rFdojbLQAWQjIY UbYZrRIuXlQryn oGAJHhmgnri IGiVbT zDGpQXCfJAQvVZfuNhDAeRCWPywXF qGbOjoVPeWoyt DTjCLKJSWd
xShPec OuwRPlLYjZ zxBcEQ QCZDXn bTTTKFKGba kfYQSxqZbWySEC OzPDnh
OfCzhHt XcrSCxG pxNGbP kdLKKr ukAHkcrc
ryidhlZmtLOGTf khFhuuuoLmE sYpIlaCOqcTI lgmTTTw jXyeRyVzlt HfyxkkZplVW tRoVCtdP lRisjS TXcNbBXJjNi AHvigiZYUOf gaaRLYhPJNBNThOyrPE tDmmVT RBbjNL HJraossjh xrFLywQYqgQvu YWJrCXoTCxhG KmZQUc pAvlbvSc PmFJRwUAkRgqwttLEpJHD dRuPIIDyP njnabbdtBIJHdXW eiCuGQK WBzqauURfQ hubarWWw QKIRLsy PWSXQepcu gIlPLOgpCBFQNgf
WheatSpikeNet: 一种改进的小麦穗分割模型,用于田间成像图像中小麦穗的准确估计
小麦穗数与小麦总产量息息相关,是重要的农艺性状之一。随着人工智能、计算机视觉等信息技术的快速发展,已经提出了不同的深度学习方法来分割和计数小麦穗。然而,当前研究多集中在实验室条件下,难以代表真实的、复杂的田间环境。由于麦田环境的多样性,快速、准确地识别小麦穗数仍然是挑战。
本研究旨在从小麦田间图像中精准检测、分割和计数小麦穗。首先整理并标注了一个具有精确掩码和边界框的小麦穗分割数据集SPIKE-segm(3种氮处理、不同生长阶段下10个小麦品种图像数据集),提出了一种基于Cascade Mask R-CNN架构的、改进的穗分割模型,该模型对模型架构中几个组件进行了改进,包括可变形卷积网络( DCN ),通用RoI提取器( GRoIE )、侧边感知边界定位( SABL )和自适应微调学习率LR。
为了评估这些组件的单独和组合对模型性能的影响,设置了一个基于ResNet50网络骨干的基线架构,图像尺寸为1333 × 800,batch size为2,LR为0.00125 (除非另有规定)。结果显示,对于测试集,包含所有不同组件的版本在IoU = 0.5时获得了最佳AP(平均精度),Bbox和Mask的AP分别为0.9303和0.9416。设定IoU阈值为0.5,统计每张图像的TP,FP和FN,结果表明,该模型在测试图像中平均准确率达到了86 %,平均F1分数为0.93。此外,与其他现有的架构和策略相比,所提出的模型在穗检测中mAP提高了0.41%,在穗分割任务中mAP提高了3.46%。由此可见,本研究所提出的小麦穗模型WheatSpikeNet为从田间图像中准确分割小麦穗提供了高精度、高效、稳定的方法,对未来小麦测产工作具有重要意义。
图2 研究路线图。描述了所提出的算法在田间图像中检测和分割小麦穗的工作流程。
图4 SPIKE数据集的图像标注示例( GSGC阶段)。三种颜色类别:GSYC -绿穗,黄冠;GSGC -绿穗,绿冠;YSYC -黄穗,黄冠。
图6本研究提出的穗分割模型结构。
图8 可变形卷积网络。
图9 侧边感知边界定位( SABL )示例。
图10 总体性能:( A )决定系数,真实值与检测计数值的比较;( B )训练过程中的损失度量,超过150 epochs的训练损失;( C ) 超过150 epochs的训练精度;( D ) 超过150 epochs的验证集mAP。
图11 不同生长阶段测试图像真实值与检测结果的可视化示例。( A ) GSGC真值图;( B ) GSGC检测结果;( C ) GSYC真值图;( D ) GSYC检测结果;( E ) YSYC真值图;( F ) YSYC检测结果。
表6 与现有研究方法的结果比较
文献来源: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