通用性空中植物檢測油菜計數(shù)模型研究
Plant Phenomics | 通用性空中植物檢測：油菜計數(shù)模型研究
植物種群計數(shù)是農(nóng)業(yè)生產(chǎn)中評估作物健康的重要指標。傳統(tǒng)上，植物出苗率是通過手動計數(shù)的方法得出，但這種方法勞動密集且僅能對田地的有限區(qū)域進行采樣，因此缺乏全局視角。近年來，利用無人機（UAV）獲取田地的航拍圖像，并通過深度學習模型進行自動計數(shù)成為一種有效的新方法。這一方法可以覆蓋更大面積的田地，提高了計數(shù)的效率和準確性。然而，目前的植物檢測模型通常在面對與訓練集顯著不同的圖像時表現(xiàn)較差，這種分布轉移（distribution shift）問題在農(nóng)業(yè)環(huán)境下尤其常見，原因包括不同的天氣、光照條件、田地環(huán)境等。因此，提升模型的泛化能力，尤其是在未知場景中的表現(xiàn)，成為該領域的重要課題。
2024年10月，Plant Phenomics在線發(fā)表了University of Saskatchewan題為 Counting Canola: Towards Generalizable Aerial Plant Detection Models 的研究論文。
該研究以油菜幼苗的航拍圖像為數(shù)據(jù)基礎，探討了三種數(shù)據(jù)集屬性對模型泛化能力的影響：數(shù)據(jù)集大小、數(shù)據(jù)集的多樣性以及標注的質量。研究團隊首先構建了一個包含多個田地和不同采集條件的油菜幼苗數(shù)據(jù)集，并開發(fā)了一個名為“Canola Counter”的網(wǎng)絡工具，如圖1所示，用來幫助研究者進行圖像標注和模型訓練。接下來，通過一系列實驗分析了這三種因素對模型在訓練集分布內（in-distribution，ID）和分布外（out-of-distribution，OOD）數(shù)據(jù)的表現(xiàn)。
圖1 Canola Counter的網(wǎng)頁截圖
圖2 從四個訓練集和四個OOD測試集中提取的 416x416 樣本圖像塊
該研究的創(chuàng)新性成果在于：一是揭示了數(shù)據(jù)集多樣性和標注質量對模型泛化能力的關鍵影響，特別指出多樣化的訓練數(shù)據(jù)可顯著提升模型在不同場景下的表現(xiàn)；二是分析了不同標注噪聲對模型精度的影響，提出在以計數(shù)為主的應用中可以降低對標注精確度的要求，以減少標注成本；三是開發(fā)了Canola Counter工具，支持從圖像標注到模型訓練的全流程，方便農(nóng)業(yè)研究者快速獲取作物種群數(shù)據(jù)。該研究公開了數(shù)據(jù)集和工具，為提升農(nóng)業(yè)種群檢測模型的泛化性提供了重要資源。
該研究對于作物健康的早期監(jiān)測具有重要意義。無人機和深度學習相結合的植物計數(shù)方法能夠有效替代傳統(tǒng)的手工計數(shù)，提高田間健康評估的效率和準確性。更重要的是，該研究針對實際應用中不同場景下的分布轉移問題提出了解決方案，為農(nóng)業(yè)領域的智能檢測模型研究提供了重要的理論和實驗支持。
論文鏈接：
https://doi.org/10.34133/plantphenomics.0268
——推薦閱讀——
Affordable Phenotyping at the Edge for High-Throughput Detection of Hypersensitive Reaction Involving Cotyledon Loss
https://doi.org/10.34133/plantphenomics.0204
Plant Phenomics | 經(jīng)濟實惠田間表型分析快速檢測幼苗敏感反應
Cucumber Seedling Segmentation Network Based on a Multiview Geometric Graph Encoder from 3D Point Clouds
https://doi.org/10.34133/plantphenomics.0254
Plant Phenomics | 揚州大學繆旻珉教授團隊提出基于多視角幾何圖編碼器的黃瓜幼苗三維點云分割網(wǎng)絡
加入作者交流群
掃碼添加小編微信，拉您進入《植物表型組學》作者交流群，群內不定期開展作者分享會、�？l(fā)布會等高質量活動。
添加小編微信，備注姓名+單位+PP，加入作者交流群
About Plant Phenomics
《植物表型組學》（Plant Phenomics）是由南京農(nóng)業(yè)大學創(chuàng)辦的英文學術期刊，于2019年1月正式上線發(fā)行。采用開放獲取形式，刊載植物表型組學交叉學科熱點領域具有突破性科研進展的原創(chuàng)性研究論文、綜述、數(shù)據(jù)集和觀點。具體范圍涵蓋高通量表型分析的最新技術，基于圖像分析和機器學習的表型分析研究，提取表型信息的新算法，作物栽培、植物育種和農(nóng)業(yè)實踐中的表型組學新應用，與植物表型相結合的分子生物學、植物生理學、統(tǒng)計學、作物模型和其他組學研究，表型組學相關的植物生物學等。期刊已被DOAJ、Scopus、PMC、EI和SCIE等數(shù)據(jù)庫收錄。科睿唯安JCR2023影響因子為7.6，位于農(nóng)藝學一區(qū)（1/125名），植物科學一區(qū)（13/265名），遙感一區(qū)（6/62名）。2023年中科院期刊分區(qū)位于農(nóng)林科學大類一區(qū)。2020年入選中國科技期刊卓越行動計劃高起點新刊項目、2024年入選江蘇科技期刊卓越行動計劃領軍期刊項目、2024年入選中國科技期刊卓越行動計劃二期英文梯隊期刊。
說明：本文由《植物表型組學》編輯部負責組稿。
中文內容僅供參考，一切內容以英文原版為準。
編輯排版：王平、趙倩瑩（中國科學院大學）
審核：尹歡、孔敏
