準確計算每穗粒數(shù)對于評估水稻產(chǎn)量和選擇優(yōu)良種質(zhì)資源至關重要。傳統(tǒng)的測量方法勞動密集、耗時且容易出錯。為了應對這一挑戰(zhàn)，基于計算機視覺的方法已成為一種很有前途的種子計數(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，實現(xiàn)精確的稻粒計數(shù)尤其具有挑戰(zhàn)性。這通常需要額外的步驟，例如手動整形或脫粒。因此，我們提出了一種創(chuàng)新方法，通過整合物體檢測、圖像分類和回歸方程來精確計數(shù)自然形態(tài)的水稻粒。首先，我們訓練了 Yolov7-tiny 模型進行稻粒計數(shù)。隨后，我們使用 EfficientNetV2 網(wǎng)絡引入了一個基于水稻穗自然形態(tài)變化的分類系統(tǒng)，將水稻穗分為五個不同的類別。此外，我們利用來自 2920 個不同水稻種質(zhì)的數(shù)據(jù)，設計了一組針對不同水稻穗類別的單變量線性回歸方程，以建立預測值與實際值的相關性。實驗結(jié)果表明，計數(shù)準確率為 92.60%，平均絕對百分比誤差為 7.69%。此外，這項研究還表明，使用穗的雙面圖像并不能顯著提高計數(shù)準確率。這項研究代表了在水稻穗自然形態(tài)內(nèi)實現(xiàn)精確高效計數(shù)的成功嘗試，為檢測和計數(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：真值提取模型的預測結(jié)果
圖5 各種模型的誤差。誤差：真實值減去預測值的結(jié)果
OD表示物體檢測；M表示利用回歸方程；mClas表示人工分類；橫軸指標表示穗樣品數(shù)
鄂公網(wǎng)安備42018502003245號 網(wǎng)站地圖
