-
题名基于深度学习的稻粒在穗计数方法研究
- 1
-
-
作者
周云成
张羽
刘泽钰
李瑞阳
-
机构
沈阳农业大学信息与电气工程学院
-
出处
《沈阳农业大学学报》
北大核心
2025年第1期82-91,共10页
-
基金
国家重点研发计划项目(2021YFD1500204,2023YFD1501303)。
-
文摘
[目的]稻粒计数是水稻考种的重要环节。针对传统稻穗穗粒人工计数存在着效率低、易出错等问题,研究构建一种稻穗穗粒原位计数模型。原位计数方法可以不破坏稻穗原有拓扑结构,进而进一步应用于其他表型参数获取。[方法]模型以ResNet作为骨干网络,应用图像和范本稻粒之间的特征相关性,预测稻粒概率密度分布,进而通过密度图求和获取稻粒数量。构建稻穗图像数据集,定义稻粒在穗计数模型的损失函数,该函数同时考虑预测密度图与实际稻粒分布的一致性,以及范本标注框的相关约束。用平均绝对误差(Mean Absolute Error,MAE)、均方根误差(Root Mean Squared Error,RMSE)、平均相对误差(Mean Relative Error,MRE)作为衡量模型性能的评估指标。[结果]以ResNet50作为模型骨干网络,模型可取得较理想的精度,其MAE、RMSE、MRE分别为10.937,19.286,13.4%,该方法有着较为准确的计数性能。与YOLOv8-seg相比,本研究模型的MRE下降2.2%,与基于实例分割的SAM(Segment Anything Model)模型相比,本研究模型的MRE降低了12.2%,与T-Rex2模型相比,则降低6.5%。[结论]基于深度学习模型构建,能够自动识别和计数图像中稻粒,提高计数效率,同时相较于其他深度学习模型,本研究模型具有更强的少样本学习能力。本方法可应用于稻粒在穗计数任务,可为稻穗表型参数获取等提供一定技术参考。
-
关键词
稻穗表型
原位计数
水稻
特征提取
表型参数
-
Keywords
phenotype of rice panicle
in-situ counting
rice
feature extraction
phenotypic parameter
-
分类号
TP181
[自动化与计算机技术—控制理论与控制工程]
S126
[农业科学—农业基础科学]
-
-
题名基于可变形卷积的稻粒在穗计数方法
- 2
-
-
作者
刘泽钰
周云成
梁铖玮
李瑞阳
张羽
-
机构
沈阳农业大学信息与电气工程学院
沈阳农业大学水稻研究所
-
出处
《农业机械学报》
北大核心
2025年第3期363-373,共11页
-
基金
国家重点研发计划项目(2023YFD1501303、2021YFD1500204)。
-
文摘
水稻穗粒数快速获取对筛选高产、优质品种具有重要意义,针对脱粒计数破坏稻穗拓扑结构,无法用于其他表型参数测量等问题,提出一种稻粒在穗计数方法。将稻粒在穗计数视为密度预测问题,基于可变形卷积,设计稻穗图像特征提取骨干网络,用少量选取的范本稻粒和稻穗图像的特征相关性,通过特征相关层生成特征相关图,在特征相关图基础上,重用并级联图像特征,预测稻粒密度分布,进而通过密度图求和,获取计数结果。试验结果表明,本文方法具有较高的计数精度,测试样本稻粒计数平均绝对误差(Mean absolute error,MAE)、均方根误差(Root mean squared error,RMSE)和平均相对误差(Mean relative error,MRE)分别为4.71、6.92和2.9%,MRE仅比人工走查高0.7个百分点,与现有基准方法(FamNet、CSRNet和ICACount)相比,MRE分别降低9.9、8.6、11.6个百分点;用可变形卷积设计的稻穗图像特征提取网络能有效提高稻粒计数精度,在参数量接近的前提下,基于该网络的模型MAE和RMSE比ResNet-50分别低19.3%和12.9%,模型具有良好的拟合能力,决定系数R^(2)达0.9405;相同网络架构下,可变形卷积比常规卷积在稻粒计数MAE和RMSE上分别降低28.9%和22.0%,MRE下降1.6个百分点;图像特征重用对提高稻粒计数精度具有重要作用,使模型在测试集上的MAE和RMSE下降27.6%和22.1%,MRE下降2.2个百分点。该方法单幅稻穗图像处理时间为0.92 s,有效提高了工作效率,可为稻穗表型检测和平台设计提供技术参考。
-
关键词
水稻
稻穗表型
穗粒数
计算机视觉
可变形卷积
-
Keywords
rice
rice spike phenotype
grain number
computer vision
deformable convolution
-
分类号
TP183
[自动化与计算机技术—控制理论与控制工程]
S24
[农业科学—农业电气化与自动化]
-
