研究团队基于Mask R-CNN框架开发了点线网络深度学习方法，用于自动识别玉米田间图像并确定叶片和茎秆的数量和生长轨迹。该模型实现了81.5%的目标检测准确率(mAP50)，并引入了新的轻量级关键点检测分支。这种创新方法有望提高复杂田间环境中植物育种和表型检测的效率，为更准确的作物管理和产量预测铺平道路。
玉米是全球重要的农作物，对食品、饲料和工业应用至关重要。了解玉米的表型，如植株高度、叶片数量和长度，对于提高产量和精准育种至关重要。尽管计算机视觉和深度学习取得了进展，但由于复杂的背景和环境因素，在田间条件下准确检测表型仍然具有挑战性。目前的方法大多是为受控环境设计的，难以应对这些挑战。
2024 年 5 月 29 日发表在《植物表型学》上的一项研究 (DOI：10.34133/plantphenomics.0199)提出了点线网络模型，通过精确定位和跟踪玉米叶片的位置和轨迹来改善田间表型检测。
本研究使用 Faster R-CNN、RetinaNet、YOLOv3 三种主流模型评估了玉米的物体检测准确率。使用原有的模型架构，发现使用 ResNet101+FPN 的 Faster R-CNN 性能最好，mAP50 达到 76.2%，mAP75 达到 39.9%，但检测时间较长，为 89.6 毫秒。为了提高准确率，研究对超参数进行了微调，并结合 Soft-NMS 和 D IoU 技术，将 mAP50 提高到 75.5%，mAP75 提高到 49.2%。受人体关键点检测的启发，研究开发了创新的 Point-Line Net 模型，该模型实现了 mAP50 达到 81.5%，mAP75 达到 50.1%，优于传统方法。该方法还表现出对叶片和茎秆轨迹的更准确描述，自定义距离评估指数 (mLD) 为 33.5，表明其在复杂的田间环境中有效。训练和验证过程表明，该模型在第 100 个时期左右趋于稳定，表明后续预测任务具有最佳性能。
该研究首席研究员阮珏表示：“我们相信这项研究的结果也能为其他作物的田间管理和表型数据收集提供思路。”
综上所述，点线网络模型实现了 81.5% 的物体检测准确率 (mAP50)，并引入了新的轻量级关键点检测分支，显著改善了表型检测。该研究凸显了深度学习方法在提高田间植物表型分析效率方面的潜力，为未来作物育种和管理提供了宝贵的见解。整合其他注释信息(例如特定生长阶段和多角度数据)可以进一步提高模型的准确性和适用性，为更精准的农业实践和更好的作物产量预测铺平道路。
免责声明：本文由用户上传，如有侵权请联系删除！
