• 《中国科学引文数据库(CSCD)》来源期刊
  • 中国科技期刊引证报告(核心版)期刊
  • 《中文核心期刊要目总览》核心期刊
  • RCCSE中国核心学术期刊

基于改进YOLOv5l的田间水稻稻穗识别

蔡竹轩, 蔡雨霖, 曾凡国, 岳学军

蔡竹轩, 蔡雨霖, 曾凡国, 等. 基于改进YOLOv5l的田间水稻稻穗识别[J]. 华南农业大学学报, 2024, 45(1): 108-115. DOI: 10.7671/j.issn.1001-411X.202209029
引用本文: 蔡竹轩, 蔡雨霖, 曾凡国, 等. 基于改进YOLOv5l的田间水稻稻穗识别[J]. 华南农业大学学报, 2024, 45(1): 108-115. DOI: 10.7671/j.issn.1001-411X.202209029
CAI Zhuxuan, CAI Yulin, ZENG Fanguo, et al. Rice panicle recognition in field based on improved YOLOv5l model[J]. Journal of South China Agricultural University, 2024, 45(1): 108-115. DOI: 10.7671/j.issn.1001-411X.202209029
Citation: CAI Zhuxuan, CAI Yulin, ZENG Fanguo, et al. Rice panicle recognition in field based on improved YOLOv5l model[J]. Journal of South China Agricultural University, 2024, 45(1): 108-115. DOI: 10.7671/j.issn.1001-411X.202209029

基于改进YOLOv5l的田间水稻稻穗识别

基金项目: 广州市科技计划(202206010088);省级大学生创新创业训练计划(S202210564011)
详细信息
    作者简介:

    蔡竹轩,硕士研究生,主要从事农业计算机应用技术研究,E-mail: czlanzhu@163.com

    通讯作者:

    岳学军,教授,博士,主要从事农业物联网、农业计算机应用技术研究,E-mail: yuexuejun@scau.edu.cn

  • 中图分类号: S511;TP391.4

Rice panicle recognition in field based on improved YOLOv5l model

  • 摘要:
    目的 

    引入YOLOv5l算法模型并对其进行改进,以实现大田环境下水稻稻穗的精准、高效、无损检测。

    方法 

    以田间水稻为研究对象,通过数码单镜反光相机采集水稻图像样本,人工标注后对原始图像进行离线数据增强扩充,构建田间水稻图像数据集;对YOLOv5l算法进行适应性改进,在空间金字塔池化(Spatial pyramid pooling,SPP)层前以及Cross-stage-sartial-connections (CSP) 层中置入有效通道注意力(Efficient channel attention,ECA)机制,并进行对比试验。选取最优算法作为基准模型进行注意力机制和数据增强消融试验,并测试得到性能最优模型。将改进YOLOv5l与YOLOv5l、YOLOv5x、SSD和Faster R-CNN进行对比试验。

    结果 

    在改进YOLOv5l的水稻识别框架中,将ECA置入网络SPP层前有更出色的性能。利用测试集图像检验模型,识别结果的平均精确率为93.63%,平均召回率为90.94%,总体平均精度可达95.05%。与未融合YOLOv5l算法相比,改进的YOLOv5l算法平均精度高3.03个百分点,图像的检测速率快8.20帧/ms;与YOLOv5x算法相比,改进的YOLOv5l算法平均精度提高0.62个百分点,图像的检测速率快5.41帧/ms,内存占用减少74.1MB,在田间水稻稻穗检测方面,改进YOLOv5l算法的综合性能优于其他算法。

    结论 

    将改进后的YOLOv5l算法引入大田环境下的水稻稻穗检测是可行的,具有较高的精确率、较快的检测速度和较小的内存占用,能够避免传统人工检测的主观性,对稻穗检测和水稻的无损估产具有重要意义。

    Abstract:
    Objective 

    YOLOv5l algorithm model was introduced and improved to realize accurate, efficient and nondestructive detection of rice panicles in field environment.

    Method 

    Taking rice in the field as the research object, rice image samples were collected by digital single-mirror reflex camera. The original image data were augmented and expanded offline after manual labeling, so as to construct an image data set for field rice. The YOLOv5l algorithm was improved adaptively, the effective channel attention (ECA) mechanism was put in front of the spatial pyramid pooling (SPP) layer and in the cross-stage-partial-connections (CSP) layer, and a comparative experiment was conducted. The optimal algorithm was selected as the benchmark model to carry out attention mechanism and data-enhanced ablation experiments, and the optimal performance model was obtained by testing. The improved YOLOv5l was compared with YOLOv5l, YOLOv5x, SSD and Faster R-CNN.

    Result 

    In the improved rice recognition framework of YOLOv5l, placing ECA before the network SPP layer resulted in better performance. Using test set images to verify the model, the average accuracy of recognition results was 93.63%, the average recall rate was 90.94%, and the overall average accuracy reached 95.05%. Compared with the non-fused YOLOv5l algorithm, the average accuracy of the improved YOLOv5l algorithm was 3.03 percent higher and the detection rate was 8.20 frames per ms faster. Compared with the YOLOv5x algorithm, the average precision of the improved YOLOv5l algorithm was improved by 0.62 percent, the detection rate was faster by 5.41 frames per ms, and the memory occupation was reduced by 74.1 MB. The results showed that the comprehensive performance of the improved YOLOv5l algorithm was better than other algorithms in rice panicle detection in the field.

    Conclusion 

    It is feasible to introduce the improved YOLOv5l algorithm into rice panicle detection in field environment. The algorithm has high accuracy, fast detection speed and small memory occupation, which can avoid the subjectivity of traditional manual detection and is of great significance for rice panicle detection and non-destructive yield estimation.

  • 叶绿素是绿色植物吸收光能的重要物质,直接影响到植物光合作用的效能与水平,其含量对植物光合能力、发育以及生长状况具有指示作用,是生态系统活力的重要体现[1-2]。叶绿素也是叶片中的重要含氮物质,其含量反映了植物氮素的吸收和利用状况,叶片叶绿素含量的测量值能间接、精确地评估植被的营养状态[3],同时也能够对植被病害进行诊断[4]。健康绿色植被在可见光范围内的光谱反射率主要受叶绿素含量的影响,而其在近红外波段主要与叶片结构、叶片纤维等因素有关[5]。近年来,随着高光谱技术的不断发展,国内外研究学者通过光谱反射技术快速、定量、无损地对植被叶绿素含量开展检测研究,如梁爽等[6]通过对苹果树叶片光谱和叶绿素含量开展相关性及回归分析,得出一阶微分521和523 nm组合的估测模型拟合精度最高;金震宇等[7]对水稻叶片叶绿素浓度和相应的光谱反射率数据进行相关分析,结果显示水稻叶片的“红边”拐点波长位置与其叶绿素浓度之间具有很强的相关性。这些研究说明,不同植被或者农作物用以构建叶绿素含量估算模型的光谱参数有较大区别。在构建叶绿素含量检测模型方面,前人所采用的方法也有较大差异,如郭啸川等[8]利用连续统去除法提取特征变量,结果表明以BNA617为变量建立的光谱参量模型最好;王强等[9]采用线性及多元逐步回归技术构建了棉花冠层叶绿素密度高光谱诊断模型;姚付启等[10]基于主成分分析构建了适宜法国梧桐的叶绿素含量高光谱反演模型。

    以上研究表明,对于不同的植被或作物,其叶绿素含量的估算具有独特性,难以构建一套通用的方法,且目前研究主要集中在玉米、水稻、棉花等均一化较明显,具有共性特性的农作物,而对于甜柚Citrus maxima cv.Tian这样的具有典型南方地域特色果树的叶绿素含量检测模型鲜有研究[11]。南康甜柚清香、酸甜、凉润,营养丰富,药用价值很高,是人们喜食的名贵水果之一,同时也是南方地区农民们大量种植的果树品种。随着甜柚的大量种植,也出现较多的疾病,常见的有脚瘸病、流胶病等,以致黄叶枯枝,树势衰弱,甚至整株枯死,严重影响了甜柚的产量。本文以赣州南康甜柚为例,通过高光谱遥感技术,比较单变量回归、逐步回归及偏最小二乘法(PLS)的适用性,构建适合甜柚叶片叶绿素含量高光谱无损检测模型,旨在为甜柚叶绿素含量的估算提供方法和参考,对大面积的甜柚营养诊断及病害检测提供依据。

    试验地点位于赣州市南康区的一片甜柚果园内,使用由美国ASD公司生产的Field Spec4便携式地物光谱仪测定甜柚叶片的光谱分辨率,其光谱测量范围为350~2 500 nm,其中,光谱分辨率为3 nm,采样间隔为1.4 nm (350~1 000 nm);光谱分辨率为10 nm,采样间隔为2 nm (1 000~2 500 nm)。仪器探头垂直向下,距离采集样本的垂直距离为10~15 cm,采集数据前需经过白板校正和优化操作,光谱仪视场角选用10°。

    试验时间为2017年4月,采集样本选择在晴朗无云无风的11:00—14:00,采样样本均匀分布在不同果园,有较大的空间区域范围,使其具有代表性,共采集50组样本,其中,经过光谱预处理后合格光谱为40组,随机选取20组作为试验样本,剩余20组作为精度验证样本。为减少由疾病影响所导致的试验误差,供试品种均为自然状态下长势良好的甜柚树叶,为了降低测量误差,均匀选取每株甜柚树各部位的叶片,对每片叶的叶尖、叶中、叶基位置各测2次共6组光谱数据,该叶片的反射光谱值为这6组数据的平均值。

    采集光谱数据后,使用SPAD-502叶绿素仪进行甜柚叶片叶绿素含量的测定,相关研究表明叶绿素含量与该仪器测定的SPAD值之间呈极显著相关关系,可以代表叶绿素含量,且对植被没有危害性[12-13],因此本文采用该仪器测定值来代替叶绿素含量。测量时,每片叶子应避开叶脉,采集多次数据取平均值作为该叶片的叶绿素含量。

    使用ViewSpecPro软件进行光谱曲线的相关预处理,选择达到极显著相关水平的敏感波段的光谱参数与甜柚叶绿素含量建立单变量及多元逐步回归估算模型;通过Unscrambler 9.7软件利用预处理后的光谱数据与甜柚叶绿素含量建立偏最小二乘模型。

    光谱微分技术包括对反射光谱进行数学模拟和计算不同阶数的微分值以迅速确定光谱弯曲点及最大最小反射的波长位置[14]。对于植被叶片而言,光谱数据的一阶导数有利于消除部分大气、土壤背景等低频光谱成分对目标的影响来突出目标,反映和揭示光谱的内在特性[15],本文采用光谱一阶导数方法对甜柚叶片光谱数据进行处理,其公式如下:

    $$ R{_i^{'}}{\rm{ = }}\frac{{{R_{i + 1}} - {R_{i - 1}}}}{{{\lambda _{i + 1}} - {\lambda _{i - 1}}}} = \frac{{{R_{i + 1}} - {R_{i - 1}}}}{{2\Delta \lambda }}, $$ (1)

    式中, $ R{_i^{'}}$ 表示波段i处的一阶导数, $ R_i$ 表示波段i处的光谱反射率, $ \lambda _i$ 表示波段i处的波长。

    皮尔逊(Pearson)系数法是一种反映2种变量线性相关程度的方法,利用该方法分析叶绿素含量和各光谱参数之间的相关性,其公式为:

    $$ {r_{xy}} = \frac{{\displaystyle\sum\limits_{i = 1}^n {({x_i} - \bar x)({y_i} - \bar y} )}}{{\sqrt {\displaystyle\sum\limits_{i = 1}^n {{{({x_i} - \bar x)}^2}\displaystyle\sum\limits_{i = 1}^n {{{({y_i} - \bar y)}^2}} } } }}, $$ (2)

    式中,rxy表示叶绿素含量与各光谱参数的相关系数,n表示样本数量,xi表示第i个样本的光谱参数值,yi为第i个样本的叶绿素含量, $ \bar x$ n个样本的光谱参数平均值, $ \bar y$ n个样本的叶绿素含量平均值。本文主要考虑对rxy进行P<0.01和P<0.05的置信度水平检验。

    以通过相关性分析达到极显著相关水平的光谱参数为回归方程的自变量(x),甜柚叶绿素含量为因变量(y),进行简单回归拟合分析,构建单变量回归分析模型[16],具体模型公式如下:

    $$ {\text{指数模型:}}\;\; y = a \times \exp (bx),\;\; $$ (3)
    $$ \;\;{\text{线性模型:}}\;\; y = bx + a, \quad\quad\quad\;$$ (4)
    $$ \;\,{\text{抛物线模型:}}\;\; y = c{^2} + bx + a, $$ (5)

    式中,abc均为系数。

    逐步回归方法从一个自变量开始,视自变量y作用的显著程度,从大到小依次逐个引入回归方程,但当引入的自变量由于后面变量的引入而变得不显著时,要将其剔除,并引入一个自变量或从回归方程中剔除一个自变量,称为逐步回归的一步,对于每一步都要进行y值检验,以确保每次引入新的显著性变量前回归方程中只包含对y作用显著的变量,这个过程反复进行,直至把不显著的变量从回归方程中剔除,又无显著变量可引入回归方程时为止[17]

    本文通过相关性分析首先筛选出对甜柚叶绿素含量影响显著的光谱参数,进而对每个参数进行假设检验,从而剔除影响不显著的光谱参数并重新建立不包含该参数的回归分析模型,最后筛选出最有影响的光谱参数,建立最佳回归模型,具体公式如下:

    $$ y = a_0 + {a_{1}}{x_{1}} + {a_{2}}{x_{2}} + \cdots+ {a_{i}}{x_{i}}, $$ (6)

    式中,y为甜柚叶绿素含量,xi为保留下来的各光谱参数,ai为回归系数。

    偏最小二乘法提供一种多对多线性回归建模的方法,特别是当2组变量的个数很多,且都存在多重相关性,而观测的样本数据又较少时,偏最小二乘法建立的模型较传统经典回归分析更为精确,且它在建模过程中集中了主成分分析、典型相关性分析和线性回归分析的特点,因此在分析结果中,还可以完成一些类似于主成分分析和典型相关分析的内容,提供更为丰富的信息[18]

    其基本原理为:测定n个样本,每个样本含有p个因变量Xq个自变量Y,偏最小二乘法就是综合分析n个样本中的全部因变量和自变量,提取出主成分tu,其中主成分tu分别最大程度地表示因变量和自变量的变异信息,在第1个成分t1u1被提取后,分别实施Xt1的回归及Yu1的回归,如果回归方程已经达到满意的程度,则算法终止,否则,进行第2次的成分提取,若对自变量提取了m个成分(t1t2,…,tm),偏最小二乘法将建立ykt1t2,…,tm的回归,然后再表达成yk对原变量x1x2,…,xm的回归方程(k=1,2,…,q)[19]

    本研究的模型精度检验采用相关系数(r),均方根误差(RMSE)及相对误差(RE)这3个指标。R越接近于1,且RMSE与RE值最小,则表明所建立的模型拟合效果越好,精度越高。其计算公式如下:

    $$ {\rm{RMSE}} = \sqrt {\frac{{\displaystyle\sum\limits_{i = 1}^n {{{({{\hat y}_i} - {y_i})}^2}} }}{n}} , $$ (7)
    $$ {\rm{RE}} = \frac{1}{n}\sum\limits_{i = 1}^n {\frac{{\left| {{{\hat y}_i} - {y_i}} \right|}}{{{y_i}}}} \times 100\text{%} , $$ (8)

    式中, $ {\hat y_i}$ 代表第i个样本的叶绿素含量估测值, $ {y_i}$ 代表第i个样本的叶绿素含量实测值,n代表样本数量。

    植被光谱曲线形态主要受2个因素影响,一是其具有基本的、独特的光谱曲线形态,利用该曲线形态可以判别是否属于植被的光谱特征;二是由于外界因素影响其生长发育,从而反映在结构特征上,并在光谱曲线的形态中表现出来。图1是一般健康植被与实测南康甜柚叶片原始光谱曲线的比较,图中实测的甜柚原始光谱曲线是经过去噪及水汽处理的,所以波段1 350~1 450、1 750~1 950、2 350~2 500 nm的曲线被剔除。剔除后的实测植被还是具有一般植被的光谱曲线形态:

    图  1  一般植被和甜柚叶片的光谱曲线
    Figure  1.  The spectral curves of general leaf spectra and Citrus maxima leaves

    在可见光波段(400~760 nm)范围内,植被光谱曲线主要受叶绿素等色素的强吸收影响,光谱反射率普遍较低,反射率一般不超过0.2,由于植被进行光合作用的影响,在450 nm的蓝光波段和670 nm的红光波段强吸收,形成向下凹陷的蓝光吸收谷和红光吸收谷,而在中心波长为550 nm的绿光波段由于强反射作用形成一个向上凸起的反射峰。另外,在670~760 nm波段范围内,由于植被叶片内部结构的相互影响,光谱反射率随着波长的增加呈现急剧上升的形势,这是植被光谱曲线最为明显的特征“红边”现象,反射率可达到0.4以上。

    在近红外波段(780~2 500 nm)范围内,光谱反射率明显较可见光波段反射率高。由于进入叶片细胞内部的光线产生多次物理折射和反射作用,在960和1 180 nm附近产生2个吸收谷,是因氧气或水的窄吸收,使得该波段范围的光谱曲线呈现“波浪”的形态;在1 300~2 500 nm波段范围内,光谱反射率曲线迅速下降,这是植物叶片含水量使光谱的吸收率增加,反射率降低的缘故,尤其在1 450和1 900 nm附近产生水吸收带,形成向下凹陷的低谷,由于实测的植被光谱数据在这一部分存在明显的噪声影响,因此去除了这一部分的光谱曲线。

    甜柚叶片原始和一阶导数光谱与其叶绿素含量的相关性如图2所示。

    图  2  甜柚叶片叶绿素含量与原始光谱(a)及一阶光谱(b)反射率的相关性
    Figure  2.  Correlation of chlorophyll content in Citrus maxima leaves with the original spectral reflectance (a) and first order spectral reflectance (b)

    图2a可知,甜柚叶片叶绿素含量与原始光谱反射率基本上呈负相关,仅在波段859~934和959~1 000 nm呈正相关,且相关性很低。在波段515~632和693~715 nm达到了显著负相关水平(P<0.05),其中,在波段535~566和701~704 nm达到了极显著负相关水平(P<0.01),敏感波段发生在553 nm,相关系数为 −0.568 4。

    甜柚叶片叶绿素与一阶光谱反射率的相关性如图2b所示,通过分析可知,在波段373~392、443~458、470~539和678~702 nm达到了显著负相关水平(P<0.05),其中,在波段384~391、449~453、476~537和679~701 nm达到了极显著负相关水平(P<0.01),敏感波段发生在692 nm,相关系数为–0.828 7。在波段401~429、557~672和713~757 nm达到了显著正相关水平(P<0.05),其中,在波段403~418、425~429、563~671和719~756 nm达到了极显著正相关水平(P<0.01),敏感波段发生在752 nm,相关系数为0.890 3。在波段775~1 000 nm区间其相关性变化无明显正负规律,因此不做研究。

    为了求得精确的结果,根据上文对甜柚叶片叶绿素含量与原始光谱和一阶光谱的相关性分析,选择达到极显著相关水平的3个敏感波段的光谱参数作为自变量(R553 nmR692 nmR752 nm),其相应的叶绿素含量作为因变量(y)建立单变量估算模型,其精度分析结果如表1所示。以一阶导数752 nm为自变量的模型精度较原始光谱553 nm和一阶导数692 nm好,其中,以一阶导数752 nm的指数模型精度最好,r2为0.800。

    表  1  甜柚叶片叶绿素含量的单变量估算模型决定系数(r2)1)
    Table  1.  Determination coefficient (r2) of single variable estimation model of chlorophyll content in Citrus maxima leaves
    光谱参数
    Spectral parameters
    r2
    y=bx+a y=a×exp(bx) y=cx2+bx+a
    R553 nm 0.325 0.323 0.377
    R'692 nm 0.687 0.710 0.718
    R'752 nm 0.792 0.800 0.798
     1) x表示所选出的甜柚光谱敏感波段(553、692 和 752 nm)的光谱参数,y 为相应的甜柚叶片叶绿素含量,abc 均为单变量方程中的常数
     1) x indicates the selected spectral sensitive band of Citrus maxima(553, 692 and 752 nm), y indicates the corresponding chlorophyll content of Citrus maxima leaves, a, b and c are constants in the single variable equation
    下载: 导出CSV 
    | 显示表格

    根据甜柚叶片叶绿素含量与光谱反射率相关性分析的结果,从中选出相关系数较大,分布均匀的波长553、692、752、712、683、423、527 nm的光谱参数作为逐步回归的自变量,相应的SPAD值作为因变量建立多元逐步回归模型,结果见表2。从表2中可以看出,以入选变量一阶导数光谱(752、683 nm)参数所建立的逐步回归模型精度较以原始光谱(553、712 nm)参数所建立的模型好,决定系数r2达到0.815。

    表  2  甜柚叶片叶绿素含量的多元回归分析模型决定系数(r2)
    Table  2.  Determination coefficient (r2) of multivariate regression analysis model of chlorophyll content in Citrus maxima leaves
    光谱参数1)
    Spectral parameter
    模型表达式2)
    Model
    expression
    r2
    R y=16.745−63.71R553 nm+198.16R712 nm 0.561
    R' y=50.486+4 874.89R'752 nm−189.22R'683 nm 0.815
     1) RR' 分别为原始光谱和一阶导数光谱入选的光谱参数自变量;2) y 为相应的甜柚叶片叶绿素含量
     1) R and R' refer to the spectral independent variables selected from the original spectrum and the first order spectrum respectively; 2) y refers to the corresponding chlorophyll content in Citrus maxima leaves
    下载: 导出CSV 
    | 显示表格

    尝试利用甜柚叶片高光谱数据结合偏最小二乘法进行甜柚叶片叶绿素含量估测,使用Unscrambler软件处理原始光谱波段数据和叶绿素含量数据,由于植物色素(叶绿素和类胡萝卜素)对植被和叶片反射光谱的影响主要体现在可见光波段,因此数据分析使用的是350~1 000 nm波段,然后进行PLS建模,模型的稳定性和拟合效果通过交互验证的方法检验,最佳主成分个数也由交互验证法确定。

    各成分对应的特征值及相关系数如表3所示,前4个主成分累计解释了自变量(X) 99.05%和因变量(Y) 86.23%的信息,这4个主成分具备较强的解释能力,因此最佳主成分个数为4,且这4个主成分与甜柚叶绿素含量均达到极显著相关水平,表明所提取的主成分能够准确地反映原始数据的信息。

    表  3  前4个主成分对甜柚叶绿素含量的影响1)
    Table  3.  Influences of the first four principal components on chlorophyll contents in Citrus maxima leaves
    主成分
    Principal
    component
    特征值
    Characteristic
    value
    相关系数
    Correlation
    coefficient
    累计对X的解释能力/%
    Cumulative explanatory
    power of X
    累计对Y的解释能力/%
    Cumulative explanatory
    power of Y
    Z1 547.761 –0.831** 93.76 53.27
    Z2 43.935 –0.661** 96.91 73.40
    Z3 9.064 –0.605** 98.97 81.92
    Z4 0.074 –0.565** 99.05 86.23
     1) “**” 表示达 0.01 水平的显著相关
     1) “**” indicates significant correlation at 0.01 level
    下载: 导出CSV 
    | 显示表格

    在确定4个主成分的基础上建立PLS模型,此模型具有较高的精度,决定系数r2为0.869,RMSE和RE分别为3.013和6.82%,通过交互验证法发现,实测值与预测值具有较好的对应关系,结果如图3所示。

    图  3  叶绿素含量PLS模型实测值与生成预测值对比
    Figure  3.  Comparison between the measured values and prediction values of PLS model on chlorophyll content

    采用剩余20个样本对上述建立的叶绿素估算模型进行精度验证,结果如表4所示。在建立的6种估算模型中,以PLS模型最优,其决定系数r2最高,为0.932,RMSE和RE均最小,分别为2.310和3.41%。其他模型也能够对甜柚叶片叶绿素含量进行估算,但精度均不如PLS模型。

    表  4  不同叶绿素含量估算模型精度分析
    Table  4.  Accuracy analysis of different chlorophyll content estimation models
    模型
    Model
    光谱参数
    Spectral parameter
    模型表达式1)
    Model expression
    预测 r2
    Predicted r2
    RMSE RE/%
    单变量模型
    Single variable model
    R553 nm y = –838.49x2+230.24x+40.671 0.456 6.455 10.55
    R'692 nm y = 466 030x2−11 155x+105.32 0.746 4.342 7.22
    R'752 nm y = 26.439e590.3x 0.812 3.689 5.95
    逐步回归模型
    Stepwise regression model
    R553 nmR712 nm y = 16.745−63.71R553 nm+198.16R712 nm 0.543 5.798 9.86
    R'752 nmR'683 nm y = 50.486+4 874.89R'752 nm−189.22R'683 nm 0.834 2.736 4.25
    PLS 模型 PLS model Rund Y = 0.686+34.15Z1+5.733Z2−48.79Z3+166.67Z4 0.932 2.310 3.41
     1) y 表示叶绿素含量,x 代表单变量模型中的光谱参数,Rund 表示全波段(350~1 000 nm)光谱反射率,Z1、Z2、Z3 及 Z4分别表示前 1、2、3、4 个主成分
     1) y refers to chlorophyll content, x refers to spectral parameters in the single variable model, Rund refers to spectral reflectance in full band (350−1 000 nm), Z1, Z2, Z3 and Z4 refer to the first 1, 2, 3 and 4 principal components respectively
    下载: 导出CSV 
    | 显示表格
    图  4  基于PLS模型实测值与预测值分布图
    Figure  4.  Distribution map of the measured values and predicted values of PLS model

    对南康甜柚叶片叶绿素含量与高光谱特征参数的相关分析表明,PLS模型通过提取与自变量和因变量相关程度最大的主成分而能够最大限度地反映原始数据的信息,建立的模型能达到较高精度,它比逐步回归和单个光谱特征参数构建的估算模型效果好,其原因主要是PLS模型包含整个波段信息,波段信息的叠加使得建模精度较高,而逐步回归尽管引入多个建模变量,却较容易舍弃与叶绿素含量相关程度较高的特征变量,单个波段也不一定能完全反映与叶绿素含量的相关关系,但PLS模型能够充分利用光谱中的信息弥补这一缺点。本文通过建立单变量回归、逐步回归及PLS模型进行甜柚叶绿素含量的测定,研究结果表明,利用偏最小二乘法所构建的叶绿素含量估算模型具有最佳预测精度,这与一些学者的研究结果相类似[20]。但是影响模型精度的敏感波段不同,这可能与不同植被叶片结构也不太相似有关系。本试验主要对南康甜柚叶绿素含量进行高光谱遥感估算,表明利用PLS模型预测甜柚叶绿素含量是可行的,对于不同的植被以及相同植被不同物候期或者不同部位如何建立更高精度的模型,仍然需要进一步探索和研究。

    本文通过测得的甜柚叶片光谱曲线和叶绿素含量值,通过对其光谱曲线的分析,综合考虑了单变量回归、逐步回归及偏最小二乘法估测叶绿素含量的方法,构建甜柚叶绿素含量估算模型并进行了精度评价分析,经研究得出如下结论:

    甜柚叶绿素含量与原始光谱及一阶导数光谱曲线的相关性分析得出,原始光谱在553 nm处的反射率、一阶光谱在692和752 nm处的反射率与叶绿素含量达到了极显著相关水平,且相关系数最高,这3个波段为甜柚叶片光谱反射率敏感波段。

    基于对甜柚叶片的光谱及叶绿素数据分析,经精度验证发现,利用偏最小二乘回归技术建立的模型其精度最高,误差较小,适宜作为估测甜柚叶片叶绿素含量的检测模型,对于实现其大面积无损的遥感长势监测有借鉴意义。

  • 图  1   原图像和数据增强后的图像

    Figure  1.   Original image and images after data augmentation

    图  2   ECA 流程图

    CHW分别表示特征的长、高、宽

    Figure  2.   Flow diagram of ECA

    C, H and W represents length, height and width of features, respectively

    图  3   改进YOLOv51网络总体框图

    Figure  3.   Overall block diagram of the improved YOLOv51 network

    图  4   3种融合ECA模块的YOLOv51模型

    Figure  4.   Three YOLOv5l models incorporating ECA modules

    图  5   不同网络模型平均精度曲线(a)和P-R曲线(b)

    Figure  5.   The average precision curves (a) and precision-recall curves (b) of different network models

    图  6   不同网络模型的损失值随迭代次数的变化曲线

    Figure  6.   Changes in the loss values of different network models with epoches

    图  7   识别结果示例

    白色框为未能准确识别的数据

    Figure  7.   Example of recognition results

    The white box is the data that cannot be accurately identified

    表  1   ECA模块融合结果对比

    Table  1   Comparison of ECA module fusion results %

    网络模型
    Network model
    精确率
    Precision
    召回率
    Recall
    平均精度
    Average precision
    YOLOv5l90.1988.9992.02
    ECA-YOLOv5l-Backbone93.5889.5694.47
    ECA-YOLOv5l-SPP93.6390.9495.05
    ECA-YOLOv5l-Neck92.6490.4694.33
    下载: 导出CSV

    表  2   YOLOv5l消融试验1)

    Table  2   YOLOv51 ablation experiment %

    注意力
    机制
    ECA
    数据增强
    Data
    augmentation
    精确率
    Precision
    召回率
    Recall
    平均精度
    Average
    precision
    ××88.3284.2188.18
    ×90.1988.9992.02
    93.6390.9495.05
     1) “√”和“×”分别表示使用和未使用
     1) “√” and “×” indicates used and unused respectively
    下载: 导出CSV

    表  3   不同网络模型检测性能对比

    Table  3   Comparison of different networks

    网络模型
    Network
    model
    平均精度/%
    Average
    precision
    检测速率/
    (帧·ms−1)
    Detection rate
    内存/MB
    Memory
    size
    Faster R-CNN86.6511.72109.0
    SSD88.4310.83100.0
    YOLOv5l92.0215.3089.3
    YOLOv5x94.4318.09166.0
    改进 YOLOv51
    Improved YOLOv51
    95.0523.5091.9
    下载: 导出CSV
  • [1] 郭雷风. 面向农业领域的大数据关键技术研究[D]. 北京: 中国农业科学院, 2016.
    [2] 章元, 许庆, 邬璟璟. 一个农业人口大国的工业化之路: 中国降低农村贫困的经验[J]. 经济研究, 2012, 47(11): 76-87.
    [3] 辛良杰, 李鹏辉. 中国居民口粮消费特征变化及安全耕地数量[J]. 农业工程学报, 2017, 33(13): 1-7.
    [4] 杨仕华, 廖琴. 中国水稻品种试验与审定[M]. 北京: 中国农业科学技术出版社, 2005.
    [5]

    IKEDA M, HIROSE Y, TAKASHI T, et al. Analysis of rice panicle traits and detection of QTLs using an image analyzing method[J]. Breeding Science, 2010, 60(1): 55-64. doi: 10.1270/jsbbs.60.55

    [6]

    ZHOU X G. First report of bacterial panicle blight of rice caused by Burkholderia glumae in South Africa[J]. Plant Disease, 2014, 98(4): 566.

    [7]

    ZHANG Y, LIU M, DANNENMANN M, et al. Benefit of using biodegradable film on rice grain yield and N use efficiency in ground cover rice production system[J]. Field Crops Research, 2017, 201: 52-59. doi: 10.1016/j.fcr.2016.10.022

    [8]

    BOIL K, KANG S K, SANG W G, et al. Variation of panicle differentiation stage by leaf growth according to rice cultivars and transplanting time[J]. Korean Journal of Crop Science, 2013, 58(4): 353-361. doi: 10.7740/kjcs.2013.58.4.353

    [9] 赵锋, 王克俭, 苑迎春. 基于颜色特征和AdaBoost算法的麦穗识别的研究[J]. 作物杂志, 2014(1): 141-144. doi: 10.3969/j.issn.1001-7283.2014.01.033
    [10] 范梦扬, 马钦, 刘峻明, 等. 基于机器视觉的大田环境小麦麦穗计数方法[J]. 农业机械学报, 2015, 46(S1): 234-239. doi: 10.6041/j.issn.1000-1298.2015.S0.038
    [11]

    ZHOU C Q, LIANG D, YANG X D, et al. Wheat ears counting in field conditions based on multi-feature optimization and TWSVM[J]. Frontiers in Plant Science, 2018, 9: 1024. doi: 10.3389/fpls.2018.01024.

    [12]

    DUAN L F, HUANG C L, CHEN G X, et al. Determination of rice panicle numbers during heading by mufti-angle imaging[J]. The Crop Journal, 2015, 3(3): 211-219. doi: 10.1016/j.cj.2015.03.002

    [13]

    LI Q Y, CAI J H, BERGER B, et al. Detecting spikes of wheat plants using neural networks with laws texture energy[J]. Plant methods, 2017, 13(1): 1-13. doi: 10.1186/s13007-016-0152-4

    [14]

    OLSEN P A, RAMAMURTHY K N, RIBERA J, et al. Detecting and counting panicles in sorghum images[C]//2018 IEEE 5th International Conference on Data Science and Advanced Analytics (DSAA). Turin, Italy: IEEE, 2019: 400-409.

    [15] 李静, 陈桂芬, 安宇. 基于优化卷积神经网络的玉米螟虫害图像识别[J]. 华南农业大学学报, 2020, 41(3): 110-116.
    [16] 顾伟, 王巧华, 李庆旭, 等. 基于改进SSD的棉种破损检测[J]. 华中农业大学学报, 2021, 40(3): 278-285.
    [17] 周云成, 许童羽, 邓寒冰, 等. 基于面向通道分组卷积网络的番茄主要器官实时识别[J]. 农业工程学报, 2018, 34(10): 153-162.
    [18]

    KOIRALA A, WALSH K B, WANG Z, et al. Deep learning for real-time fruit detection and orchard fruit load estimation: Benchmarking of ‘MangoYOLO’[J]. Precision Agriculture, 2019, 20(6): 1107-1135. doi: 10.1007/s11119-019-09642-0

    [19]

    TIAN Y N, YANG G D, WANG Z, et al. Apple detection during different growth stages in orchards using the improved YOLO-V3 model[J]. Computers and Electronics in Agriculture, 2019, 157: 417-426. doi: 10.1016/j.compag.2019.01.012

    [20] 张领先, 陈运强, 李云霞, 等. 基于卷积神经网络的冬小麦麦穗检测计数系统[J]. 农业机械学报, 2019, 50(3): 144-150. doi: 10.6041/j.issn.1000-1298.2019.03.015
    [21] 彭文, 兰玉彬, 岳学军, 等. 基于深度卷积神经网络的水稻田杂草识别研究[J]. 华南农业大学学报, 2020, 41(6): 75-81.
    [22] 黄小杭, 梁智豪, 何子俊, 等. 基于YOLOv2的莲蓬快速识别研究[J]. 现代农业科技, 2018(13): 164-167.
    [23] 彭红星, 黄博, 邵园园, 等. 自然环境下多类水果采摘目标识别的通用改进SSD模型[J]. 农业工程学报, 2018, 34(16): 155-162. doi: 10.11975/j.issn.1002-6819.2018.16.020
    [24] 张洋. 基于深度学习的水稻种粒缺陷识别及重叠分布千粒重测量研究[D]. 扬州: 扬州大学, 2021.
    [25] 马志宏, 贡亮, 林可, 等. 基于稻穗几何形态模式识别的在穗籽粒数估测[J]. 上海交通大学学报, 2019, 53(2): 239-246.
    [26]

    WANG Q L, WU B G, ZHU P F, et al. ECA-Net: Efficient channel attention for deep convolutional neural networks[C]//2020 IEEE/CVF Conference on Computer Vision and Pattern Recognition. Seattle, USA: IEEE, 2020: 11531-11539.

    [27]

    HU J, SHEN L, ALBANIE S, et al. Squeeze-and-excitation networks[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2020, 42(8): 2011-2023. doi: 10.1109/TPAMI.2019.2913372

  • 期刊类型引用(4)

    1. 许鹤,潘军,孙也涵,宋锦阳. 基于室内实验的小白菜叶绿素含量遥感估算模型研究. 农业与技术. 2024(21): 22-27 . 百度学术
    2. 潘玉霞,李艳大,曹中盛,孙滨峰,黄俊宝,吴自明,冯旭萍,郭永久. 基于便携式蜜柚光谱仪的金沙柚叶片叶绿素含量监测模型. 江西农业学报. 2023(05): 60-66 . 百度学术
    3. 栗方亮,孔庆波,张青. 基于光谱特征参数的琯溪蜜柚叶片叶绿素含量估算. 福建农业学报. 2021(12): 1447-1456 . 百度学术
    4. 高亚利,王振锡,连玲,师玉霞,杨勇强. 截形叶螨危害下枣叶片叶绿素含量高光谱估算模型. 西北农业学报. 2020(04): 613-621 . 百度学术

    其他类型引用(10)

图(7)  /  表(3)
计量
  • 文章访问数:  297
  • HTML全文浏览量:  30
  • PDF下载量:  49
  • 被引次数: 14
出版历程
  • 收稿日期:  2022-09-21
  • 网络出版日期:  2023-11-22
  • 发布日期:  2023-07-09
  • 刊出日期:  2024-01-09

目录

/

返回文章
返回