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-最新行业动态-植物表型平台-数字化考种机-作物表型系统-武汉谷丰光电科技有限公司

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

2023/9/8

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

上一篇：基于改进CNN-BiGRU的水稻病害识别方法下一篇：基于机器视觉和卷积神经网络的大米外观品质快速自动检测系统的研究

资源中心

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

相关新闻

【会议推荐】2024农业生物表型组学研讨会

喜报丨谷丰光电荣获湖北省第六批专精特新中小企业认定！

【会议邀请】第十届植物生物学女科学家学术交流会，诚邀您来参加！

基于改进的YOLO系列算法的温室葫芦科果实实时检测

三维点云在数字植物表型分析中的附加价值——以黄瓜节间长度测量为例

基于少量训练样本的玉米籽粒分类

无人机( UAV )成像和机器学习在植物表型中的应用

热成像：便于高通量提取植物生长与胁迫响应表型性状的数字火眼金睛

基于植物-冠层模型的亚马逊棕榈果实成熟度航空识别

利用卷积神经网络从原位冠层图像和光谱评估棉花黄萎病的严重程度

联系我们