分类： 农、林、牧、渔 >> 农、林、牧、渔业科学其他学科 提交时间： 2024-06-17 合作期刊: 《智慧农业（中英文）》
摘要： ［目的/意义］为解决高通量草莓叶龄及冠幅提取问题，提出一种基于移动式表型平台和实例分割技术的 高通量表型提取方法。［方法］利用小型移动式表型平台对温室内盆栽草莓植株的俯拍图像进行数据获取，并利用 改进型Mask R-CNN （Convolutional Neural Network） 模型对图像进行处理，以此获取草莓植株叶龄信息。首先利 用带有分组注意力模块的Split-Attention Networks（ResNeSt） 骨干网络替换原有网络，从而提高图像特征信息提取 精度和执行效率。在训练时，利用Mosaic方法对草莓图像进行数据增强，并且使用二元交叉熵损失函数对原本的 交叉熵分类损失函数进行优化，以达到更好的植株与叶片的检测准确度。在此基础上，对训练结果进行后处理， 利用标定比值对冠幅进行计算。［结果和讨论］该方法能够在ResNeSt-101骨干网络下，实现80.1%的掩膜准确率 和89.6%的检测框准确率，并且能够以99.3%的植株检测正确率和98.0%的叶片数量检出率实现高通量的草莓叶龄 估算工作。而模型推理后草莓植株南北和东西向冠幅测试值与真实值相比误差均低于5%的约占98.1%。［结论］ 该方法有着较高的鲁棒性，能够为智慧农业下高通量植物表型获取与解析工作提供技术支持。
分类： 农、林、牧、渔 >> 农、林、牧、渔业科学其他学科 提交时间： 2024-06-17 合作期刊: 《智慧农业（中英文）》
摘要： ［目的/意义］实现复杂的自然环境下农作物害虫的识别检测，改变当前农业生产过程中依赖于专家人工 感官识别判定的现状，提升害虫检测效率和准确率具有重要意义。针对农作物害虫目标检测具有目标小、与农作 物拟态、检测准确率低、算法推理速度慢等问题，本研究提出一种基于改进YOLOv8的复杂场景下农作物害虫目 标检测算法。［方法］首先通过引入GSConv提高模型的感受野，部分Conv更换为轻量化的幻影卷积（Ghost Convo⁃ lution），采用HorBlock捕捉更长期的特征依赖关系，Concat更换为BiFPN（Bi-directional Feature Pyramid Network） 更加丰富的特征融合，使用VoVGSCSP 模块提升微小目标检测，同时引入CBAM （Convolutional Block Attention Module） 注意力机制来强化田间虫害目标特征。然后使用Wise-IoU损失函数更多地关注普通质量样本，提高网络 模型的泛化能力和整体性能。之后，对改进后的YOLOv8-Extend 模型与YOLOv8 原模型、YOLOv5、YOLOv8- GSCONV、YOLOv8-BiFPN、YOLOv8-CBAM进行对比，验证模型检测准确度和精度。最后将模型移植到边缘设备 进行推理验证，在实际应用场景中验证模型的有效性。［结果和讨论］YOLOv8-Extend在对比实验中均取得良好的 表现，其中与原模型对比实验中，精确率、召回率、mAP@0.5和mAP@0.5∶0.95评价指标分别提升2.6%、3.6%、 2.4% 和7.2%，表现突出，具有更好的检测效果。改进前后的模型分别运行在边缘计算设备JETSON ORIN NX 16 GB上并通过TensorRT加速相比，mAP@0.5提升4.6%，达到57.6 FPS，满足实时性检测要求。在复杂农业场景 中YOLOv8-Extend模型具有更好的适应性，在实际采集数据中微小害虫与生长环境相似的害虫检测方面有明显优 势，在困难数据检测方面准确率提高了11.9%。［结论］本研究提出的YOLOv8改进模型有效提高了检测精度和识 别率同时保持了较高的运行效率，能够部署在边缘终端计算设备上实现农作物害虫的实时检测，也为其他小目标 智能检测和模型结构优化提供参考和帮助。
分类： 农、林、牧、渔 >> 农、林、牧、渔业科学其他学科 提交时间： 2023-02-17 合作期刊: 《智慧农业（中英文）》
摘要： 目前对玉米出苗动态检测监测主要是依靠人工观测，耗时耗力且只能选择小的样方估算整体出苗 情况。为解决人工出苗动态管理不精准的问题，实现田间精细化管理，本研究以田间作物表型高通量采集 平台获取的高时序可见光图像和无人机平台获取的可见光图像两种数据源构建了不同光照条件下的玉米出 苗过程图像数据集。考虑到田间存在环境背景复杂、光照不均等因素，在传统Faster R-CNN的基础上构建 残差单元，使用ResNet50作为新的特征提取网络来对Faster R-CNN进行优化，首先实现对复杂田间环境下 玉米出苗识别和计数; 进而基于表型平台所获取的高时序图像数据，对不同品种、不同密度的玉米植株进 行出苗动态连续监测，对各玉米品种的出苗持续时间和出苗整齐度进行评价分析。试验结果表明，本研究 提出的方法应用于田间作物高通量表型平台出苗检测时，晴天和阴天的识别精度分别为95.67%和91.36%; 应用于无人机平台出苗检测时晴天和阴天的识别精度分别91.43%和89.77%，可以满足实际应用场景下玉米 出苗自动检测的需求。利用表型平台可获取时序数据的优势，进一步进行了玉米动态出苗检测分析，结果 表明利用本模型得到的动态出苗结果与人工实际观测具有一致性，说明本研究提出的模型的具有鲁棒性和 泛化性。
点击量
通过
点击量
下载量
评论
