文章目录
2023
Improved Field-Based Soybean Seed Counting and Localization with Feature Level Considered（Plant Phenomics）
摘要：开发自动大豆种子计数工具将有助于在收获前进行自动化的产量预测，并提高育种计划中的选择效率。一种进行计数和定位的集成方法是后续分析的理想方法。传统的目标计数方法劳动密集型，容易出错，定位精度低。为了直接而不是顺序量化大豆种子，我们提出了一种P2PNet-Soy方法。我们考虑了几种策略来调整架构和后续的后处理，以最大化在种子计数和定位中的模型性能。首先，应用无监督聚类来合并紧密位置的过计数。其次，在低级特性中包含了高级特性，以提供更多的信息。第三，将不同籽粒大小的亚氮卷积应用于低水平特征和高级特征，提取尺度不变特征来影响大豆大小的变化。第四，通道和空间注意有效地分离了前景和背景，便于大豆种子的计数和定位。最后，将输入的图像添加到这些提取的特征中，以提高模型的性能。以24份大豆材料为实验材料，以从一侧获得的单个大豆植株的田间图像对模型进行训练，并采用上述策略对从另一边获得的图像对模型进行测试。通过将平均绝对误差从105.55降低到12.94，证实了P2PNet-大豆在大豆种子计数和定位方面优于原P2PNet的优势。此外，训练后的模型可以有效地应用于直接从现场获得的无背景干扰的图像。
Rice Plant Counting, Locating, and Sizing Method Based on High-Throughput UAV RGB Images
摘要： 水稻植株计数在产量估算、生长诊断、灾害损失评估等方面至关重要。目前，水稻计数仍然严重依赖于繁琐和耗时的人工操作。为了减轻水稻计数的工作量，我们采用无人机（无人机）采集了稻田的RGB图像。在此基础上，我们提出了一种新的水稻植株计数、定位和大小调整方法（RiceNet），该方法由一个特征提取器前端和3个特征解码器模块组成，即密度图估计器、植物位置检测器和植物大小估计器。在RiceNet中，水稻植株注意机制和正负损失旨在提高植物与背景的区分能力和估计密度图的质量。为了验证该方法的有效性，我们提出了一个新的基于无人机的水稻计数数据集，该数据集包含355张图像和257,793个人工标记点。实验结果表明，该RiceNet的平均绝对误差和均方根误差分别为8.6和11.2。此外，我们用其他两个流行的作物数据集验证了我们的方法的性能。在这三个数据集上，我们的方法显著优于最先进的方法。结果表明，该网能够准确有效地估计水稻数量，取代传统的人工方法。
