实现小麦穗的精确实时检测，对精准农业小区小麦生长监测具有重要意义。机器学习方法通常用于自动检测和计数小麦穗，这需要精心选择手工制作的特征描述符，导致耗时和性能差。深度学习以其强大的特征提取能力成为小麦穗状物准确检测的一种很有前途的技术。然而，无人机获取的小麦穗图像仍然存在重叠严重、分布密集、方向多变、纵横比大等问题，导致目前的小麦穗检测方法性能较差。为解决对分布密集、方向任意的小麦穗进行精确、快速检测和计数的需求，提出了一种基于深度学习的小麦穗检测方法WheatNet。注意力机制被引入特征融合的过程，突出小麦穗的重要特征，抑制无用信息。此外，为了优化网络参数，采用了带有软动态标签分配的损失函数来减少低质量匹配的数量，这比其他小麦穗检测器提供了显著的性能提升。此外，为了实现多方向小麦穗的精确检测，构建了面向大尺度的小麦穗数据集RoWheat，该数据集包含900幅图像和50419条注释，分布密集，方向多样。实验研究表明，所提出的wheatnet的召回率为99.7%，mAP为91.8%，与其他先进的方法相比，显示出有希望的性能提升。
图1 一些小麦穗图像的例子。
图2 RoWheat数据集中一些带有定向注释的小麦穗的例子。
图3 RoWheat数据集的特征。(a)所有实例的定向度分布。(b)纵横比分布。(c)图像中小麦穗实例数的分布。(d)密度范围的分布。
图4 小麦穗实例的相对尺度分布。
图5 提出了小麦旋穗检测方法的总体框架。
图6 (a) PAFPN和(b) APA-FPN的运行。
图7 提议的APA-FPN模块的描述。
图8 标准standard IoU (a) 和Skew-IoU (b)计算示例。
图9 所提方法与其他比较模块的损耗曲线(a)和P-R曲线(b)。
图10 通过旋转ATSS，旋转FCOS, SASM，旋转RetinaNet, RTMDET, H2RBOX，旋转YOLOV6，旋转YOLOV7，旋转YOLOV8和本文方法估计的图像中标注的真实小麦穗数。
图11 所提出方法的一些小麦穗检测可视化。红色框和蓝色框分别代表真实边界框和预测边界框。(a) - (c)、(e)分别为密集分布、大纵横比、小尺度和不同尺度的小麦穗的检测结果。(e)和(f)为阴影下和不同时期小麦穗的检测结果。
L. Jiao et al., WheatNet: Attentional Path Aggregation Feature Pyramid Network for Precise Detection and Counting of Dense and Arbitrary-Oriented Wheat Spikes, IEEE Transactions on AgriFood Electronics.
编辑
王春颖
扩展阅读
