近日,河南農(nóng)業(yè)大學智慧農(nóng)業(yè)科技創(chuàng)新團隊在《Artificial Intelligence in Agriculture》期刊上發(fā)表題為“Maize phenological stage recognition via coordinated UAV and UGV multi-view sensing and deep learning”的研究成果。河南農(nóng)業(yè)大學青年教師岳繼博教授為該文第一作者,國家農(nóng)業(yè)信息化工程技術研究中心馮海寬副研究員、趙春江研究員和楊貴軍研究員為共同通訊作者。
該研究提出了一種無人機(UAV)與地面無人車(UGV)協(xié)同的多視角感知策略,并結合自主設計的深度學習模型MSRNet,實現(xiàn)了對玉米12個關鍵物候期的精準識別,為作物育種中的高通量表型監(jiān)測難題提供了創(chuàng)新解決方案。
![]()
針對現(xiàn)有光學遙感技術在中高冠層覆蓋條件下易受植被指數(shù)飽和影響,導致監(jiān)測效果下降的問題,該研究利用配備全景相機的UGV采集玉米冠層內(nèi)部(IOC)圖像,分析雌穗特征;同時,借助配備高清數(shù)碼相機和光譜相機的UAV采集冠層頂部(TOC)圖像,提取葉片和雄穗特征,從而自動化識別12個生長時期的冠層高度、葉片及雌穗特征。在此基礎上,團隊開發(fā)了多模態(tài)深度學習框架MSRNet,融合冠層高度、植被指數(shù)、頂部葉片及內(nèi)部雌穗等多源特征,實現(xiàn)玉米12個物候期的精確識別。與傳統(tǒng)機器學習及單模態(tài)深度學習模型對比,該模型在V2-R6階段的識別準確率達84.5%,較基準方法提升3.8%-13.6%。Grad-CAM可視化結果進一步證實,MSRNet能根據(jù)生長階段動態(tài)調(diào)整注意力機制:在營養(yǎng)生長期聚焦葉片特征,在生殖生長期轉向果穗特征。
特別聲明:以上內(nèi)容(如有圖片或視頻亦包括在內(nèi))為自媒體平臺“網(wǎng)易號”用戶上傳并發(fā)布,本平臺僅提供信息存儲服務。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.