在特定的環(huán)境條件和管理措施下,早期植株密度是決定基因型的重要性狀。使用無人機(jī)拍攝的RGB圖像可以取代傳統(tǒng)的現(xiàn)場目測計數(shù),從而提高吞吐量、準(zhǔn)確性和工廠定位。然而,需要高分辨率的圖像來檢測早期存在的小植物。采用Faster-RCNN目標(biāo)檢測算法,研究了圖像地面采樣距離(GSD)對玉米植株3~5葉期檢測性能的影響。使用6個對比點(diǎn)的高分辨率(GSD≈0.3 cm)采集的數(shù)據(jù)進(jìn)行模型訓(xùn)練。使用另外兩個具有高分辨率和低分辨率(GSD≈0.6 cm)圖像的站點(diǎn)來評估模型的性能。
結(jié)果表明,當(dāng)原始高分辨率圖像同時用于訓(xùn)練和驗(yàn)證時,F(xiàn)aster-RCNN獲得了很好的植物檢測和計數(shù)性能(rRMSE=0.08)。類似地,該模型在對原始訓(xùn)練高分辨率圖像進(jìn)行下采樣得到的合成低分辨率圖像上進(jìn)行訓(xùn)練,并將其應(yīng)用于合成低分辨率驗(yàn)證圖像上,獲得了良好的性能(rRMSE=0.11)。
研究地點(diǎn)的位置,以從無人機(jī)獲取的玉米微區(qū)的提取為例。(A)一張地圖,顯示本研究中使用的位于法國西部的八個玉米表型平臺的位置。(B)圍繞玉米植株繪制的包圍框的圖解。所示的例子來自塔爾塔站點(diǎn)的(?GSD=0.27 cm)(A)與(??GSD=0.63 cm)(B)。
相反,當(dāng)模型以給定的空間分辨率訓(xùn)練并應(yīng)用于另一空間分辨率時,性能較差。通過混合使用高分辨率和低分辨率圖像進(jìn)行訓(xùn)練,可以在本地高分辨率(rRMSE=0.06)和合成低分辨率(rRMSE=0.10)圖像上獲得非常好的性能。然而,在原始低分辨率圖像(rRMSE=0.48)上仍然觀察到很低的性能,這主要是由于原始低分辨率圖像的質(zhì)量較差。
最后,將一種改進(jìn)的基于生成對抗網(wǎng)絡(luò)(GAN)的超分辨率方法應(yīng)用于原始低分辨率驗(yàn)證圖像,該方法引入了從原始高分辨率圖像中提取的附加紋理信息。結(jié)果表明,與雙三次上采樣法相比,RMSE=0.22有了明顯的改善,但仍遠(yuǎn)低于原始高分辨率圖像的性能。
來源:Plant Phenomics.Estimates of Maize Plant Density from UAV RGB Images Using Faster-RCNN Detection Model: Impact of the Spatial Resolution.K. Velumani , R. Lopez-Lozano , S. Madec , W. Guo , J. Gillet, A. Comar , and F. Baret
https://spj.sciencemag.org/journals/plantphenomics/2021/9824843/