点击上方蓝字
轻松关注我们
中科院1区Top | IF=7.7
2024.09.29 在线发布|本文作者详情如上图
图文概要
准确计算每穗粒数对于评估水稻产量和选择优良种质资源至关重要。传统的测量方法劳动密集、耗时且容易出错。为了应对这一挑战，基于计算机视觉的方法已成为一种很有前途的种子计数方法。然而，由于稻粒的自然形态，包括遮挡以及大小、形状和方向的巨大变化，实现精确的稻粒计数尤其具有挑战性。这通常需要额外的步骤，例如手动整形或脱粒。因此，我们提出了一种创新方法，通过整合物体检测、图像分类和回归方程来精确计数自然形态的水稻粒。
其他人正在查看类似内容
【前沿】赵春江院士：基于改进YOLO v7的笼养鸡/蛋自动识别与计数方法 【前沿|一区Top】 长江大学詹炜教授团队：利用全卷积网络对田间稻飞虱检测计数的新方法 【前沿|IF 12.7】山东科技大学团队：基于物候和统计数据的大规模单季水稻制图新方法
首先，我们训练了 Yolov7-tiny 模型进行稻粒计数。随后，我们使用 EfficientNetV2 网络引入了一个基于水稻穗自然形态变化的分类系统，将水稻穗分为五个不同的类别。此外，我们利用来自 2920 个不同水稻种质的数据，设计了一组针对不同水稻穗类别的单变量线性回归方程，以建立预测值与实际值的相关性。
实验结果表明，计数准确率为 92.60%，平均绝对百分比误差为 7.69%。此外，这项研究还表明，使用穗的双面图像并不能显著提高计数准确率。这项研究代表了在水稻穗自然形态内实现精确高效计数的成功尝试，为检测和计数密集物体提供了一种新颖的解决方案。
本文研究论文全文获取途径：后台回复“353”
图1 水稻穗的不同形态
图2 单个水稻穗的图像采集
图3 水稻粒数检测模型流程图。（A）分离出第5类。（B）将第1类与剩余的稻穗分开。（C）将剩余的稻穗分为第2类、第3类和第4类
图4 A：PR曲线；B：真值提取模型的预测结果
图5 各种模型的误差。误差：真实值减去预测值的结果
图6 不同方法检测结果分布。OD表示物体检测；M表示利用回归方程；mClas表示人工分类；横轴指标表示穗样品数
农业科技侠交流群
入群可添加小编微信（如下方二维码，备注：入群-姓名-单位，否则不予通过）
投稿、宣传推广、开白等请在本公众号后台回复“1”
转载请注明来源：本文转自农业科技侠数字与智慧农业微信公众号
编辑：colin
声明:本文旨在前沿分享,若有编辑等问题,敬请后台留言
