引用格式
引用格式:庞春晖, 陈鹏, 夏懿, 章军, 王兵, 邹岩, 陈天娇, 康辰瑞, 梁栋. 用于小麦多生长阶段倒伏边界精准检测的分层交互特征金字塔网络[J]. 智慧农业(中英文), 2024, 6(2): 128-139.
DOI：10.12133/j.smartag.SA202310002
Citation：PANG Chunhui, CHEN Peng, XIA Yi, ZHANG Jun, WANG Bing, ZOU Yan, CHEN Tianjiao, KANG Chenrui, LIANG Dong. HI-FPN: A Hierarchical Interactive Feature Pyramid Network for Accurate Wheat Lodging Localization Across Multiple Growth Periods[J]. Smart Agriculture, 2024, 6(2): 128-139.
DOI：10.12133/j.smartag.SA202310002
官网全文免费阅读
知网阅读
用于小麦多生长阶段倒伏边界精准
检测的分层交互特征金字塔网络
庞春晖1，6，7， 陈鹏1，6，7*， 夏懿1， 章军1， 王兵2， 邹岩3，4， 陈天娇3，4， 康辰瑞3，5， 梁栋1*
（1.安徽大学农业生态大数据分析与应用技术国家地方联合工程研究中心/信息材料与智能感知安徽省实验室/安徽大学互联网学院，安徽合肥230601，中国；2.安徽财经大学 管理科学与工程学院，安徽蚌埠 233030，中国；3.中国科学院合肥物质科学院智能机械研究所，安徽合肥230031，中国；4.中国科学技术大学，安徽合肥 230031，中国；5.西南科技大学，四川绵阳 621010，中国；6.农业传感器与智能感知安徽省技术创新中心，中科合肥智慧农业协同创新研究院，安徽合肥 231131，中国；7.安徽鹏视智能科技有限公司，安徽合肥230000，中国）
摘要：
［目的/意义］传统的小麦倒伏检测方法需要人工进行田间观测和记录，这种方法存在主观、效率低、劳动强度大等问题，难以满足大规模的小麦倒伏检测的需求。基于深度学习的小麦倒伏检测技术虽已在一定程度上得到应用，但普遍局限于对小麦单一发育阶段的倒伏识别，而倒伏可能发生在小麦生长的各个时期，不同时期倒伏特征变化复杂，这给模型特征捕捉能力带来考验。本研究旨在探索一种基于深度学习技术的多生育期小麦倒伏区域检测方法。
［方法］用无人机采集小麦灌浆期、早熟期、晚熟期这三个关键生长阶段的RGB图像，通过数据增强等技术构建出多生育期小麦倒伏数据集。提出一种小麦倒伏提取模型Lodging2Former，该模型在Mask2Former的基础上加以改进，引入分层交互式特征金字塔网络（Hierarchical Interactive Feature Pyramid Network, HI-FPN ），用于提高模型在复杂田间背景干扰下对于多个生长阶段小麦倒伏特征的捕捉能力。
［结果和讨论］所提出的Lodging2Former模型相较于现存的多种主流算法，如Mask R-CNN （Mask Region-Based Convolutional Neural Network）、SOLOv2（Segmenting Objects by Locations, Version 2）以及Mask2Former，在平均精度均值（mean Average Precision, mAP）上展现出显著优势。在阈值分别为0.5、0.75以及0.5~0.95的条件下，模型的mAP值分别达到了79.5%、40.2%和43.4%，相比Mask2Former模型，mAP性能提升了1.3%~4.3%。
［结论］提出的HI-FPN网络可以有效利用图像中的上下文语义和细节信息，通过提取丰富的多尺度特征，增强了模型对小麦在不同生长阶段倒伏区域的检测能力，证实了HI-FPN在多生育期小麦倒伏检测中的应用潜力和价值。
关键词： 无人机；深度学习；小麦倒伏检测；特征金字塔网络；Mask2Former
文章图片
Fig. 1 Visualization of Mask R-CNN detection results for wheat lodging in UAV images during the grain filling stage
Fig. 2 The captured visible light images of the three growth stages by drone
Fig. 3 Data augmentation using the grain-filling period image as an example
Fig. 4 The overall flowchart of the proposed Lodging2Former method
Fig. 5 Illustration of the fusion refine model （FRM）
Fig. 6 Mask images of wheat lodging at three growth stages
Fig. 7 Comparison of Loss Curves between the Mask2Former model and the Lodging2Former model
Fig. 8 Comparison of mAP Curves between the Mask2Former model and the Lodging2Former model
Fig. 9 Visualization results of wheat lodging detection sampling tests at different growth stages using different methods
Fig. 10 Visualization of prediction results for wheat lodging detection using the Lodging2Former on publicly available datasets
作者简介
陈鹏 教授
来源：《智慧农业（中英文）》2024年第2期
转载请联系编辑部授权
本期支持单位
淄博数字农业农村研究院
推荐阅读
智慧农业微信交流服务群
发布征集
欢迎在我公众号发布科研团队介绍、创新科研成果及相关活动等信息。
