使用Faster-RCNN检测模型从UAV RGB图像估计玉米植株密度:空间分辨率的影响

来源: 时间:2021-10-26 09:44:07 浏览次数:

将一种改进的基于生成对抗网络(GAN)的超分辨率方法应用于原始低分辨率验证图像,该方法引入了从原始高分辨率图像中提取的附加纹理信息。结果表明,与双三次上采样法相比,RMSE=0.22有了明显的改善,但仍远低于原始高分辨率图像的性能。

在特定的环境条件和管理措施下,早期植株密度是决定基因型的重要性状。使用无人机拍摄的RGB图像可以取代传统的现场目测计数,从而提高吞吐量、准确性和工厂定位。然而,需要高分辨率的图像来检测早期存在的小植物。采用Faster-RCNN目标检测算法,研究了图像地面采样距离(GSD)对玉米植株3~5叶期检测性能的影响。使用6个对比点的高分辨率(GSD≈0.3 cm)采集的数据进行模型训练。使用另外两个具有高分辨率和低分辨率(GSD≈0.6 cm)图像的站点来评估模型的性能。


结果表明,当原始高分辨率图像同时用于训练和验证时,Faster-RCNN获得了很好的植物检测和计数性能(rRMSE=0.08)。类似地,该模型在对原始训练高分辨率图像进行下采样得到的合成低分辨率图像上进行训练,并将其应用于合成低分辨率验证图像上,获得了良好的性能(rRMSE=0.11)。


图片

研究地点的位置,以从无人机获取的玉米微区的提取为例。(A)一张地图,显示本研究中使用的位于法国西部的八个玉米表型平台的位置。(B)围绕玉米植株绘制的包围框的图解。所示的例子来自塔尔塔站点的( GSD=0.27 cm)(A)与(  GSD=0.63 cm)(B)。


相反,当模型以给定的空间分辨率训练并应用于另一空间分辨率时,性能较差。通过混合使用高分辨率和低分辨率图像进行训练,可以在本地高分辨率(rRMSE=0.06)和合成低分辨率(rRMSE=0.10)图像上获得非常好的性能。然而,在原始低分辨率图像(rRMSE=0.48)上仍然观察到很低的性能,这主要是由于原始低分辨率图像的质量较差。


最后,将一种改进的基于生成对抗网络(GAN)的超分辨率方法应用于原始低分辨率验证图像,该方法引入了从原始高分辨率图像中提取的附加纹理信息。结果表明,与双三次上采样法相比,RMSE=0.22有了明显的改善,但仍远低于原始高分辨率图像的性能。


来源:Plant Phenomics.Estimates of Maize Plant Density from UAV RGB Images Using Faster-RCNN Detection Model: Impact of the Spatial Resolution.K. Velumani , R. Lopez-Lozano , S. Madec , W. Guo , J. Gillet, A. Comar , and F. Baret

https://spj.sciencemag.org/journals/plantphenomics/2021/9824843/