为什么禁电子烟不禁香烟,雪域香烟,荷花烟多少钱一包,香烟推荐

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


返回
上一篇：基于改進CNN-BiGRU的水稻病害識別方法 下一篇：基于機器視覺和卷積神經網絡的大米外觀品質快速自動檢測系統的研究