水稻是一种主要粮食作物，全世界种植面积近 1.62 亿公顷。水稻产量最常用的量化方法之一是水稻植株计数。该技术用于估计产量、诊断生长和评估稻田的损失。世界上大多数大米计数过程仍然是手动进行的。然而，这是极其繁琐、费力和耗时的，表明需要更快、更高效的基于机器的解决方案。
中国和新加坡的研究人员最近开发了一种方法，用一种更复杂的方法代替人工稻米计数，包括使用无人驾驶飞行器 (UAV) 或无人机。据领导这项研究的中国南京邮电大学姚建国教授说，“这项新技术使用无人机拍摄稻田的 RGB 图像——主要由红、绿和蓝光组成的图像。这些图像然后使用我们开发的称为 RiceNet 的深度学习网络进行处理，该网络可以准确识别田间水稻植物的密度，并提供更高级别的语义特征，例如作物位置和大小。 ” 他们的论文已发表在Plant Phenomics上。
RiceNet 网络架构包括一个位于前端的特征提取器，用于分析输入图像，以及三个特征解码器模块，负责估计稻田中植物的密度、植物在稻田中的位置，以及植物的大小，分别。后两个特征对于未来自动化作物管理技术的研究尤其重要，例如施肥喷洒。
作为研究的一部分，研究团队在中国南昌市的稻田上部署了一架配备摄像头的无人机，随后使用复杂的图像分析技术分析了获取的数据。接下来，研究人员使用了训练数据集和测试数据集。前者用作训练系统的参考，后者用于验证分析结果。更具体地说，在具有 257,793 个手动标记点的 355 张图像中，随机选择 246 张用作训练图像，而其余 109 张用作测试图像。每张图片平均包含 726 株水稻。
据该团队介绍，用于图像分析的 RiceNet 技术具有良好的信噪比。换句话说，它能够有效地将水稻植物与背景区分开来，从而提高生成的植物密度图的质量。
研究结果表明，RiceNet 技术的平均绝对误差和均方根误差分别为 8.6 和 11.2。换句话说，使用 RiceNet 生成的密度图与使用手动方法生成的密度图非常一致。
此外，根据他们的观察，该团队还分享了一些关键建议。例如，该团队不建议在雨天获取图像。它还建议在日出后 4 小时内收集基于无人机的图像，以尽量减少起雾时间和稻叶卷曲的发生，这两者都会对输出质量产生不利影响。
“除此之外，我们还使用其他两个流行的作物数据集进一步验证了我们的技术的性能。结果表明，我们的方法明显优于其他最先进的技术。这凸显了 RiceNet 取代传统方法的潜力手工数米，” 姚教授总结道。
RiceNet 进一步为其他基于无人机和深度学习的作物分析技术铺平了道路，这些技术反过来可以指导决策和战略，以改善全球粮食和经济作物的生产。
标签：