WheatNet: точное земледелие с продвинутым детектированием колосьев на всех стадиях спелости

Для точного земледелия критически важно точное детектирование колосьев пшеницы с помощью фенотипирования. Глубокое обучение предлагает для этого перспективные инструменты.

Однако современные модели сталкиваются с трудностями при адаптации к динамичному росту пшеницы, особенно при работе с вариациями цвета на разных стадиях, что ограничивает их адаптивность и точность. Текущие исследования сосредоточены на оптимизации нейронных сетей для лучшего извлечения и классификации признаков, используя такие стратегии, как модели для конкретных стадий и трансферное обучение.

Не решены проблемы необходимости обширных данных для обучения и сложности характеристик колосьев. Остаётся актуальной задача создания модели, которая эффективно интегрирует агрономические знания, учитывает меняющиеся цветовые признаки и справляется с плотным распределением колосьев, повышая точность детектирования на всех стадиях роста.

В журнале Plant Phenomics вышла статья "Small and Oriented Wheat Spike Detection at the Filling and Maturity Stages Based on WheatNet".

Исследование представляет WheatNet — новый метод для детектирования мелких и ориентированных колосьев пшеницы на изображениях с БПЛА от стадии налива до спелости. WheatNet объединяет:

• Transform Network для минимизации расхождений в цветовых признаках.
• Detection Network для улучшения возможностей детектирования.

Также введены:

• Circle Smooth Label для классификации углов наклона колосьев.
• Слой микромасштабного детектирования для извлечения признаков мелких колосьев.
• Метрика Complete Intersection over Union для минимизации фоновых помех.

Эксперименты проводились на высокопроизводительной рабочей станции с использованием PyTorch, стохастического градиентного спуска, пакетной обработки и специфичных параметров оптимизации.

Результаты показали превосходную производительность WheatNet:

• Средняя точность (average precision) детектирования колосьев — 89.7%.
• Точное описание морфологии.
• Высокая точность сохраняется даже при уровне полноты (recall) 0.95, что значительно превосходит другие методы.
• Скорость детектирования — 20 кадров в секунду (FPS).
• Отличная точность подсчёта с низкими значениями RMSEc, rRMSEc и MAEc.
• Абляционные исследования подтвердили эффективность Transform Network, Circle Smooth Label и слоя микромасштабного детектирования в решении задач детектирования для конкретных стадий.

Исследование подчёркивает, что традиционные полевые обследования дороги и неэффективны, а методы на основе изображений, особенно учитывающие цвет и текстуру, становятся всё более ценными для точного детектирования колосьев на разных стадиях роста.

В итоге, способность WheatNet снижать ошибки детектирования из-за вариаций цветовых признаков между стадиями, а также его применение на стадиях налива и спелости, подчёркивает потенциал модели для полевого использования и точного прогнозирования урожайности. Эта end-to-end одностадийная модель расширяет предыдущие методы, адаптируясь к нескольким стадиям роста с сохранением высокой точности, и представляет собой значительный шаг вперёд по сравнению с традиционными и одностадийными моделями детектирования.