在追求精准农业的过程中，通过表型分析准确检测小麦穗至关重要，而深度学习模型正在成为一种有前景的工具。尽管取得了进步，但这些模型在适应小麦生长的动态特性方面面临挑战，特别是处理不同阶段的颜色变化，导致适应性和准确性有限。当前的研究集中于优化神经网络，以利用特定阶段模型和迁移学习等策略来更好地进行特征提取和分类。

然而，挑战仍然存在，包括需要大量的训练数据和小麦穗特征的复杂性。紧迫的问题仍然是开发一种模型，有效整合农艺知识，解决不同的颜色特征，并处理小麦穗的密集分布，从而提高所有生长阶段的检测准确性。

Plant Phenomics发表了题为“基于 WheatNet 的灌浆和成熟阶段小而定向小麦穗检测”的研究文章。

该研究引入了 WheatNet，这是一种新方法，用于检测无人机图像中从灌浆到成熟阶段的小而定向的小麦穗。WheatNet 集成了一个变换网络以最小化颜色特征差异和一个检测网络以增强检测能力。

此外，它还引入了用于对小麦穗角进行分类的圆平滑标签和用于小穗特征提取的微尺度检测层。该方法采用完全交集来最小化背景干扰。

具体来说，该研究是在使用 PyTorch 的高性能工作站上进行的，利用了随机梯度下降、批处理和特定的优化参数。WheatNet 表现出了卓越的性能，尖峰检测和形态学准确描述的平均精度达到 89.7%。

即使在 0.95 的召回率下，它仍保持较高的精确度，显着优于其他方法。该网络实现了 20 FPS 的检测速度，并显示出出色的计数精度和较低的 RMSEc、rRMSEc 和 MAEc 值。消融研究证实了变换网络、圆形平滑标签和微尺度检测层在解决特定阶段检测挑战方面的有效性。

该研究强调，传统的实地调查成本高昂且效率低下，基于图像的技术，尤其是那些捕获颜色和纹理信息的技术，对于各个生长阶段的准确小麦穗检测越来越有价值。

总之，WheatNet 能够减少由于阶段之间颜色特征变化而导致的检测错误，结合其在灌浆和成熟阶段的应用，凸显了其在现场应用和准确产量预测方面的潜力。这种端到端的单阶段模型通过适应多个生长阶段，同时保持高精度，扩展了以前的方法，比传统的单阶段检测模型有了显着的进步。

版权说明：本站所有作品图文均由用户自行上传分享，仅供网友学习交流。若您的权利被侵害，请联系我们

标签：