準(zhǔn)確計(jì)算每穗粒數(shù)對(duì)于評(píng)估水稻產(chǎn)量和選擇優(yōu)良種質(zhì)資源至關(guān)重要。傳統(tǒng)的測(cè)量方法勞動(dòng)密集、耗時(shí)且容易出錯(cuò)。為了應(yīng)對(duì)這一挑戰(zhàn),基于計(jì)算機(jī)視覺的方法已成為一種很有前途的種子計(jì)數(shù)方法。然而,由于稻粒的自然形態(tài),包括遮擋以及大小、形狀和方向的巨大變化,實(shí)現(xiàn)精確的稻粒計(jì)數(shù)尤其具有挑戰(zhàn)性。這通常需要額外的步驟,例如手動(dòng)整形或脫粒。因此,我們提出了一種創(chuàng)新方法,通過(guò)整合物體檢測(cè)、圖像分類和回歸方程來(lái)精確計(jì)數(shù)自然形態(tài)的水稻粒。首先,我們訓(xùn)練了 Yolov7-tiny 模型進(jìn)行稻粒計(jì)數(shù)。隨后,我們使用 EfficientNetV2 網(wǎng)絡(luò)引入了一個(gè)基于水稻穗自然形態(tài)變化的分類系統(tǒng),將水稻穗分為五個(gè)不同的類別。此外,我們利用來(lái)自 2920 個(gè)不同水稻種質(zhì)的數(shù)據(jù),設(shè)計(jì)了一組針對(duì)不同水稻穗類別的單變量線性回歸方程,以建立預(yù)測(cè)值與實(shí)際值的相關(guān)性。實(shí)驗(yàn)結(jié)果表明,計(jì)數(shù)準(zhǔn)確率為 92.60%,平均絕對(duì)百分比誤差為 7.69%。此外,這項(xiàng)研究還表明,使用穗的雙面圖像并不能顯著提高計(jì)數(shù)準(zhǔn)確率。這項(xiàng)研究代表了在水稻穗自然形態(tài)內(nèi)實(shí)現(xiàn)精確高效計(jì)數(shù)的成功嘗試,為檢測(cè)和計(jì)數(shù)密集物體提供了一種新穎的解決方案。
圖1 水稻穗的不同形態(tài)
(A)分離出第5類。(B)將第1類與剩余的稻穗分開。(C)將剩余的稻穗分為第2類、第3類和第4類
圖4 A:PR曲線;B:真值提取模型的預(yù)測(cè)結(jié)果
圖5 各種模型的誤差。誤差:真實(shí)值減去預(yù)測(cè)值的結(jié)果
OD表示物體檢測(cè);M表示利用回歸方程;mClas表示人工分類;橫軸指標(biāo)表示穗樣品數(shù)