基于RGB图像与深度学习的冬小麦田间长势参数估算系统

作     者：李云霞 马浚诚 刘红杰 张领先 Li Yunxia;Ma Juncheng;Liu Hongjie;Zhang Lingxian

作者机构：中国农业大学信息与电气工程学院北京100083 中国农业科学院农业环境与可持续发展研究所北京100081 河南省商丘市农林科学院小麦研究所商丘476000 

基　　金：国家自然科学基金(31801264) 中国科协青年人才托举工程第四届项目(2018QNRC001) 

出 版 物：《农业工程学报》 (Transactions of the Chinese Society of Agricultural Engineering)

年 卷 期：2021年第37卷第24期

页      码：189-198页

摘      要：为准确、快速获取冬小麦田间长势信息,该研究设计并实现了一种基于深度学习的冬小麦田间长势参数估算系统。该系统主要包含长势参数估算模块和麦穗计数模块。长势参数估算模块基于残差网络ResNet18构建长势参数估算模型,实现了冬小麦苗期叶面积指数(Leaf Area Index,LAI)和地上生物量(Above Ground Biomass,AGB)的估算,并基于迁移学习进行泛化能力测试;麦穗计数模块基于Faster R-CNN并结合非极大值抑制(Non Maximum Suppression,NMS)构建麦穗计数模型,实现了开花期麦穗准确计数。结果表明,针对2017—2018和2018—2019两个生长季数据,基于ResNet18的长势参数估算模型对LAI估算的决定系数分别为0.83和0.80,对AGB估算的决定系数均为0.84,优于基于传统卷积神经网络(Convolutional Neural Networks,CNN)、VGG16和GoogLeNet构建的估算模型,并且泛化能力测试表明该模型对数据的季节性差异具有鲁棒性。基于Faster R-CNN的麦穗计数模型,在利用NMS优化后决定系数从0.66增至0.83,提升了25.8%,NRMSE从0.19降至0.05,下降了73.7%。相较于基于CNN构建的分类计数模型,基于Faster R-CNN+NMS的麦穗计数模型表现更优,决定系数为0.83,提升了33.9%,单个麦穗识别时间为1.009 s,效率提升了20.7%。综上所述,该系统能够满足冬小麦田间长势参数估算需求,可为冬小麦田间精细化管理提供支撑。

主 题 词：机器视觉 图像处理 模型 冬小麦 深度学习 叶面积指数 地上生物量 麦穗计数 

学科分类：13[艺术学] 0907[农学-草药学] 08[工学] 09[农学] 0710[理学-生物科学类] 1305[艺术学-设计学类] 081104[081104] 0804[工学-材料学] 0901[农学-植物生产类] 081101[081101] 0811[工学-水利类] 0812[工学-测绘类] 0713[0713] 

核心收录：

D　O　I：10.11975/j.issn.1002-6819.2021.24.021

馆 藏 号：203108362...