研究团队开发了一种创新方法，利用无人机 (UAV) 和深度学习技术准确识别玉米杂交田中人工去雄前后的雄穗状态。通过使用特定的注释和数据增强策略，该方法显著提高了雄穗检测准确率，最高可达 98%。这项研究对于改善农田雄穗检测具有重要价值，通过先进的无人机分析系统可以减少人工劳动并提高作物管理效率。
玉米是中国最重要的作物之一，监测玉米抽穗期对玉米育种至关重要。无人机技术的最新进展使其在详细监测作物方面具有重要价值。然而，产生的大量图像数据带来了巨大的处理挑战。目前使用基于 CNN 的深度学习框架进行抽穗检测的方法在数据采集和标记方面面临困难，而传统的图像处理技术效果有限。
2024 年 5 月 7 日在《植物表型学》上发表的一项研究 (DOI：10.34133/plantphenomics.0188)旨在通过开发针对玉米穗动态生长阶段的精确检测模型和注释数据集来应对这些挑战。
本研究通过评估不同版本的 RTMDet 网络模型，为实际的穗检测应用选择了合适的模型。首先，考虑到参数大小和资源需求，确定了部署模型所需的计算资源。然后评估了模型的对象识别准确度，特别是 mAP@0.5，以识别不同对象类别的准确度差异。还评估了推理速度，这对实时应用至关重要。从 Tiny 到 X 版本的 RTMDet 模型都是在 NSL-C 数据集上训练的。平均检测准确度最多相差 1.1%，X 版本通常表现最佳，但在穗-L 检测中 L 版本表现出色。选择 S 版本是因为其性能和资源效率均衡。此外，RTMDet-S 模型在 NSL-A、NSL-B 和 NSL-C 数据集上进行了训练，以评估它们在不同生长阶段检测穗的准确性。在NSL-T数据集上的测试表明，RTMDet-NSL-C模型取得了最佳的总体性能，特别是在检测玉米穗N方面达到了99.8%的准确率，而玉米穗S的误差最小。该方法可以准确地识别无人机图像中的玉米穗状态，为玉米穗的实时监测和管理提供了可靠的解决方案。
该研究首席研究员赵春江表示：“这项研究针对现实应用场景进行了量身定制，为使用无人机分析玉米杂交田的穗状态提供了新见解。因此，未来可以开发一种基于无人机遥感图像的新型智能系统，对玉米杂交田进行快速、大规模语义分析，这将减少对人工田间调查的依赖，并协助管理人员做出决策。”
总之，本研究介绍了一种使用无人机图像和深度学习评估玉米穗状况的创新方法。这项研究为开发基于无人机遥感图像的智能系统铺平了道路，可以快速、大规模地分析玉米杂交田，减少对人工调查的依赖，最终有助于更有效地进行作物管理和决策。
免责声明：本文由用户上传，如有侵权请联系删除！
