Method for wheat ear counting based on frequency domain decomposition of MSVF-ISCT

Wheat ear counting is a prerequisite for the evaluation of wheat yield.A wheat ear counting method based on frequency domain decomposition is proposed in this study to improve the accuracy of wheat yield estimation.The frequency domain decomposition of wheat ear image is completed by multiscale support value filter(MSVF)combined with improved sampled contourlet transform(ISCT).Support Vector Machine(SVM)is the classic classification and regression algorithm of machine learning.MSVF based on this has strong frequency domain filtering and generalization ability,which can effectively remove the complex background,while the multi-direction characteristics of ISCT enable it to represent the contour and texture information of wheat ears.In order to improve the level of wheat yield prediction,MSVF-ISCT method is used to decompose the ear image in multiscale and multi direction in frequency domain,reduce the interference of irrelevant information,and generate the sub-band image with more abundant information components of ear feature information.Then,the ear feature is extracted by morphological operation and maximum entropy threshold segmentation,and the skeleton thinning and corner detection algorithms are used to count the results.The number of wheat ears in the image can be accurately counted.Experiments show that compared with the traditional algorithms based on spatial domain,this method significantly improves the accuracy of wheat ear counting,which can provide guidance and application for the field of agricultural precision yield estimation.

Contribution of ear photosynthesis to grain yield under rainfed and irrigation conditions for winter wheat cultivars released in the past 30 years in North China Plain

To understand the contribution of ear photosynthesis to grain yield and its response to water supply in the improvement of winter wheat, 15 cultivars released from 1980 to 2012 in North China Plain（NCP） were planted under rainfed and irrigated conditions from 2011 to 2013, and the ear photosynthesis was tested by ear shading. During the past 30 years, grain yield significantly increased, the flag leaf area slightly increased under irrigated condition but decreased significantly under rainfed condition, the ratio of grain weight：leaf area significantly increased, and the contribution of ear photosynthesis to grain yield changed from 33.6 to 64.5% and from 32.2 to 57.2% under rainfed and irrigated conditions, respectively. Grain yield, yield components, and ratio of grain weight：leaf area were positively related with contribution of ear photosynthesis. The increase in grain yield in winter wheat was related with improvement in ear photosynthesis contribution in NCP, especially under rainfed condition.

Improving water-use efficiency by decreasing stomatal conductance and transpiration rate to maintain higher ear photosynthetic rate in drought-resistant wheat

In wheat, the ear is one of the main photosynthetic contributors to grain filling under drought stress conditions. In order to determine the relationship between stomatal characteristics and plant drought resistance, photosynthetic and stomatal characteristics and water use efficiency(WUE) were studied in two wheat cultivars: the drought-resistant cultivar ‘Changhan 58' and the drought-sensitive cultivar ‘Xinong 9871'. Plants of both cultivars were grown in pot conditions under well-watered(WW) and water-stressed(WS) conditions. In both water regimes,‘Changhan 58' showed a significantly higher ear photosynthetic rate with a lower rate of variation and a significantly higher percentage variation of transpiration compared to control plants at the heading stage under WS conditions than did ‘Xinong 9871' plants. Moreover,‘Changhan 58' showed lower stomatal density(SD) and higher stomatal area per unit organ area(A) under both water conditions. Water stress decreased SD, A, and stomatal width(SW), and increased stomatal length in flag leaves(upper and lower surfaces) and ear organs(awn, glume,lemma, and palea), with the changes more pronounced in ear organs than in flag leaves.Instantaneous WUE increased slightly, while integral WUE improved significantly in both cultivars. Integral WUE was higher in ‘Changhan 58', and increased by a greater amount, than in‘Xinong 9871'. These results suggest that drought resistance in ‘Changhan 58' is regulated by stomatal characteristics through a decrease in transpiration rate in order to improve integral WUE and photosynthetic performance, and through sustaining a higher ear photosynthetic rate, therefore enhancing overall drought-resistance.

Effect of Soil Drought on C4 Photosynthetic Enzyme Activities of Flag Leaf and Ear in Wheat

The activities of RuBPC and C4 photosynthetic enzymes in ear and flag leaf blade were examined in wheat. The results showed that photosynthesis of ear was less sensitive to soil drought than that of flag leaf, and decrease of CO2 assimilation in flag leaf blade with water stress was more than that in ear. Compared with flag leaf, ear organs (awn, glume and lemma) had higher C4 enzyme activities and lower RuBPC activity. Under moderate water-stress, the increase of C4 enzyme activities was induced, and the increase was higher in ear than in flag leaf. Under severe water-stress, relatively higher C4 enzyme activities were still maintained in ear, rather than that in flag leaf. It suggests that high activities of C4 enzymes in ear may contribute to its high tolerance of photosynthesis to water-stress.

基于纹理特征与深度学习的小麦图像中的穗粒分割与计数

穗粒数是小麦产量构成的重要因素和估测产量的参数之一,传统的人工计数方法耗时费力,人为因素影响大。为了实现对小麦穗粒数的智能、快速监测,以百农307、新麦26、稷麦336这3个小麦品种为试验材料,利用智能手机于小麦灌浆后期拍摄麦穗图像,随后对麦穗图像进行预处理并归一化为480×480像素大小,结合深度学习和迁移学习机制,构建基于冻结-解冻机制的HRNet模型的小麦小穗图像分割计数深度学习模型,利用图像处理算法、小麦小穗图像纹理特征确定小穗像素数与穗粒数之间的关系阈值,构建小穗粒数预测模型,实现对小麦穗粒的预测计数。结果表明,对比同样采用冻结-解冻机制的PSPNet模型、DeeplabV3+分割模型、U-Net模型及无冻结解冻机制的HRNet模型,采用基于冻结-解冻机制的HRNet模型对小麦小穗的分割效果更优,且具有更好的鲁棒性,分割精确度为0.9594,平均交并比(mIoU)为0.9119,类别平均像素准确率(mPA)为0.9419,召回率为0.9419;通过3个不同品种小麦的麦穗图像对小穗进行计数,所得决定系数(R2)为0.92,平均绝对误差为0.73,平均相对误差为2.89%;籽粒计数的R2为0.92,平均绝对误差为0.43,平均相对误差为5.51%。由研究结果可知,基于冻结-解冻机制得出的HRNet模型的小麦小穗图像分割算法能够有效分割小麦图像中的小穗,并获得更加丰富的语义信息,可用于解决小目标图像分割困难及训练欠拟合问题,通过粒数预测模型可以快速、精确地对小麦的籽粒数进行预测,从而为小麦高效、智能化估产提供算法支撑。

基于RT-WEDT的麦穗检测与计数方法

小麦是重要的粮食作物之一,麦穗计数对于预测麦穗产量至关重要。针对现有的检测计数方法在复杂农田环境下存在检测精度不足、模型参数量大等问题,该研究提出一种轻量级麦穗检测模型RT-WEDT(real-time wheat ear detection transformer)。首先,选择基于transformer的轻量化网络EfficientFormerV2作为RT-WEDT的骨干网络,以提升特征提取效率的同时学习麦穗图像的长距离特征;其次,设计三重特征融合模块(triple feature fusion,TFF)并引入尺度序列特征融合模块(scale sequence feature fusion,SSFF)以构建多尺度增强混合编码器(multi-scale enhanced hybrid encoder,MSEHE),达到浅层和深层特征充分融合,提高模型在不同尺度上的检测精度;最后,采用WIoUv3损失函数作为边界框损失函数来优化模型对麦穗目标的定位准确度。在全球麦穗数据集上的试验结果表明,RT-WEDT模型的交并比阈值0.50的平均精度AP_(50)为90.2%,高于传统的目标检测模型。在自建的无人机视角麦穗数据集(drone perspective wheat spike dataset,DPWSD)上的交并比阈值0.50的平均精度AP_(50)为96.8%,验证了模型有较好的普适性。此外模型的参数量为12M,检测速度为79.7帧/s,可达到麦穗高通量实时检测的目的。该研究为实现高效、快速的小麦产量估计提供了技术支撑,对推动智慧农业的发展具有重要意义。

小麦育种单穗电动脱粒机设计与试验

【目的】针对小麦育种单穗收获、采样工作量大、田间实时采样不便等问题,设计了一款便携式的小麦育种单穗电动脱粒机。【方法】单穗脱粒机采用了脱粒板和清选风机同轴、U型清选风道、清选风量调节可调的结构设计。确定了脱粒板结构、脱粒板转速,清选风机直径、叶片数及风机风速等参数。通过计算流体力学(compu-tational fluid dynamics,CFD)对最小进口风速5 m·s^(-1)、最大进口风速10 m·s^(-1)分别进行清选性能试验。由仿真可知清选区风速均小于小麦籽粒的悬浮速度,大于杂余的悬浮速度,都能够达到小麦清选的要求。利用离散元法(distinct element method,DEM),采用多尺度颗粒聚合的方法建立可脱粒小麦植株模型;通过仿真试验,分析小麦籽粒在脱粒机内的速度和位移随时间的变化规律,对滞种问题进行分析。【结果】为研究脱粒滚筒转速、喂入量、凹板筛间隙对脱粒机滞种的影响,设计3因素3水平正交试验,极差分析法结果表明,各因素于滞种率主次顺序依次为脱粒滚筒转速>喂入量>凹板筛间隙,其中滞种率最小的工作参数组合是滚筒转速为1000 r·min^(-1),喂入量为3穗·次^(-1),凹板筛间隙为6 mm。在小麦育种单穗电动脱粒机样基础上进行了试验验证。结果表明,脱粒机没有滞种现象,脱出籽粒含杂率为0.83%。【结论】小麦育种单穗电动脱粒机有良好的脱粒性能且无滞种问题,满足小麦育种单穗脱粒的要求。

基于FE-P2Pnet的无人机小麦图像麦穗计数方法

针对无人机图像背景复杂、小麦密集、麦穗目标较小以及麦穗尺寸不一等问题,提出了一种基于FE-P2Pnet(Feature enhance-point to point)的无人机小麦图像麦穗自动计数方法。对无人机图像进行亮度和对比度增强,增大麦穗目标与背景之间的差异度,减少叶、秆等复杂背景因素的影响。引入了基于点标注的网络P2Pnet作为基线网络,以解决麦穗密集的问题。同时,针对麦穗目标小引起的特征信息较少的问题,在P2Pnet的主干网络VGG16中添加了Triplet模块,将C(通道)、H(高度)和W(宽度)3个维度的信息交互,使得主干网络可以提取更多与目标相关的特征信息;针对麦穗尺寸不一的问题,在FPN(Feature pyramid networks)上增加了FEM(Feature enhancement module)和SE(Squeeze excitation)模块,使得该模块能够更好地处理特征信息和融合多尺度信息;为了更好地对目标进行分类,使用Focal Loss损失函数代替交叉熵损失函数,该损失函数可以对背景和目标的特征信息进行不同的权重加权,进一步突出特征。实验结果表明,在本文所构建的无人机小麦图像数据集(Wheat-ZWF)上,麦穗计数的平均绝对误差(MAE)、均方误差(MSE)和平均精确度(ACC)分别达到3.77、5.13和90.87%,相较于其他目标计数回归方法如MCNN(Multi-column convolutional neural network)、CSRnet(Congested scene recognition network)和WHCNETs (Wheat head counting networks)等,表现最佳。与基线网络P2Pnet相比,MAE和MSE分别降低23.2%和16.6%,ACC提高2.67个百分点。为了进一步验证本文算法的有效性,对采集的其它4种不同品种的小麦(AK1009、AK1401、AK1706和YKM222)进行了实验,实验结果显示,麦穗计数MAE和MSE平均为5.10和6.17,ACC也达到89.69%,表明本文提出的模型具有较好的泛化性能。

基于改进Oriented R-CNN的旋转框麦穗检测与计数模型

为对干扰、遮挡等复杂的田野环境中麦穗进行精准定位与计数,该研究提出了一种改进的Oriented R-CNN麦穗旋转框检测与计数方法,首先在主干网络中引入跨阶段局部空间金字塔(spatial pyramid pooling cross stage partial networks,SPPCSPC)模块扩大模型感受野,增强网络感知能力;其次,在颈网络中结合路径聚合网络(PANet,path aggregation network)和混合注意力机制(E2CBAM,efficient two convolutional block attention module),丰富特征图包含的特征信息;最后采用柔性非极大值抑制算法(Soft-NMS,soft-non maximum suppression)优化预测框筛选过程。试验结果显示,改进的模型对复杂环境中的麦穗检测效果良好。相较原模型,平均精确度均值mAP提高了2.02个百分点,与主流的旋转目标检测模型Gliding vertex、R3det、Rotated Faster R-CNN、S2anet和Rotated Retinanet相比,mAP分别提高了4.99、2.49、3.94、2.25和4.12个百分点。该研究方法利用旋转框准确定位麦穗位置,使得框内背景区域面积大幅度减少,为实际观察麦穗生长状况和统计数量提供了一种有效的方法。

基于改进YOLOv7的麦穗检测算法

针对麦穗数据集中存在的检测目标密集、遮挡、各地区形态不一致现象引起的漏检、模型泛化能力弱等问题,提出一种基于改进YOLOv7的麦穗检测算法.首先,在YOLOv7网络的骨干特征提取网络引入混合注意力机制加强对位置特征的提取,缓解检测目标密集导致的漏检问题;其次,在骨干特征提取网络引入能结合不同尺寸的可切换空洞卷积(switchable atrous convolution, SAC),通过增大感受野实现提取不同尺度的特征信息,可有效改善因遮挡现象引起的漏检问题;最后,在特征融合部分引入增量学习模块(example vector correction, EVC),提高模型的鲁棒性和泛化能力.实验结果表明,改进后的麦穗识别算法在全球小麦麦穗数据集的平均目标检测精度与原YOLOv7相比提高了2.11个百分点.

面向无人机边缘计算的小麦麦穗计数轻量化模型研究

小麦麦穗的高效计数对快速、准确掌握小麦产量具有重要意义。无人机由于具有效率高、成本低等特点被广泛应用于大田小麦信息的采集。但已有的用于小麦麦穗计数的深度学习模型结构复杂、参数量大,不能直接部署在存储空间有限的无人机的边缘设备上。针对这一问题,提出了一种融合剪枝策略和知识蒸馏的模型压缩方法,基于YOLOv5s模型构建了一种轻量化模型,并设计了面向无人机边缘计算的小麦麦穗计数轻量化方案。试验结果表明,经过模型剪枝和知识蒸馏轻量化处理的YOLOv5s模型,在小麦计数任务上的计数准确率为93.3%,模型的mAP(mean Average Precision,平均精度均值)达到94.4%,模型大小缩小了约76%,模型参数量减少了79.61%。因此,模型在保持较高的计数准确率的同时将会占用更少的计算资源和存储空间,显著的压缩效果使模型可以部署在无人机的边缘设备上,为小麦麦穗的实时计数提供了可能。

一种基于改进YOLOv5s的麦穗检测计数方法

[目的]为实现对田间麦穗的实时准确计数,本文提出一种基于改进YOLOv5s的麦穗检测计数方法。[方法]通过C2f模块获得更加丰富的梯度流,增强模型细粒度特征提取能力,并在网络关键部位引入CoordConv坐标卷积,加大对坐标信息关注程度,提升模型对麦穗位置的感知能力,同时考虑到麦穗检测任务中中小尺寸麦穗居多,采用Inner CIoU损失函数加快模型收敛速度。[结果]在公开数据集Global Wheat Head Detection(GWHD)上对上述方法进行试验,结果表明,本文改进模型的精确率、召回率、平均精度均值mAP0.5分别为93.5%、91.6%和95.9%,参数量、计算量、每秒帧数分别为12.4 MB、27.5 GFLOPs和34。[结论]本文改进模型在精确率、召回率、平均精度均值mAP0.5等指标上较原始YOLOv5s模型分别增加1.0、1.2和1.3百分点,并且优于YOLOv7-tiny、YOLOv8s等模型,可满足检测的实时性要求。同时改进后模型在处理遮挡、重叠等复杂情况时都比原始模型表现更优,具有良好的鲁棒性。

播期和密度对扬麦25产量及产量构成因子的影响

为探索小麦品种扬麦25在皖中地区推广种植的适宜播期及栽植密度,进一步完善扬麦25的高产栽培技术,本研究对扬麦25在不同播期、密度条件下的有效穗数、穗粒数、千粒重和产量等指标进行分析。结果表明,播期及密度均会影响扬麦25的产量结构;随着播期的延迟,扬麦25的有效穗数、穗粒数和千粒重均表现为先增加后降低的趋势,产量以11月2—9日播种处理较高;随着密度的增加,扬麦25的有效穗数逐渐增加,穗粒数先增加后降低,千粒重逐渐降低,以基本苗密度255万~270万/hm^(2)处理的产量较高。适合的播期、密度下扬麦25的产量构成因子协调,利于形成高产。试验结果为扬麦25在研究区及相似生态区位的高产栽培提供播期及密度参考。

国审小麦品种漯麦26丰产性、稳产性及适应性评价

漯麦26是漯河市农业科学院以漯麦9号为母本、周麦22为父本杂交选育而成的小麦新品种。本研究对漯麦26在2016—2019年度间的区域试验和生产试验结果进行产量、产量构成因素、成穗率等分析。结果表明,漯麦26具有较好的丰产性、稳产性、广适性,适宜在河南、安徽、江苏、陕西等绝大多数麦区种植。

基于TPH-YOLO的无人机图像麦穗计数方法

在无人机上安装光学传感器捕捉农作物图像是一种经济高效的方法,它有助于产量预测、田间管理等。该研究以无人机小麦作物图像为研究对象,针对图像中麦穗分布稠密、重叠现象严重、背景信息复杂等特点,设计了一种基于TPH-YOLO(YOLO with transformer prediction heads)的麦穗检测模型,提高无人机图像麦穗计数的精度。首先,为了减小光照不均匀对无人机图像质量造成的影响,该研究采用Retinex算法进行图像增强处理。其次,在YOLOv5的骨干网络中添加坐标注意力机制(coordinate attention,CA),使模型细化特征,更加关注麦穗信息,抑制麦秆、麦叶等一些背景因素的干扰。再次,将YOLOv5中原始的预测头转换为Transformer预测头(transformer prediction heads,TPH),该预测头具有多头注意力机制的预测潜力,可以在高密度场景下准确定位到麦穗。最后,为了提高模型的泛化能力和检测精度,采用了迁移学习的训练策略,先使用田间采集的小麦图像数据集对模型进行预训练,接着再使用无人机采集的小麦图像数据集对模型进行参数更新和优化训练,并在无人机采集的小麦图像数据集上进行了试验。结果表明,该研究方法精确率、召回率及平均精确率分别为87.2%、84.1%和88.8%,相较于基础的YOLOv5平均精确率提高4.1个百分点,性能优于SSD、Faster-RCNN、CenterNet、YOLOv5等目标检测模型。此外,该研究利用公开数据集Global Wheat Head Detection(GWHD)在不同目标检测模型上进行对比试验,该数据集的小麦样本是多样的和典型的,与SSD、Faster-RCNN、CenterNet和YOLOv5等模型相比,平均精确率分别提升11.1、5.4、6.9和3.3个百分点,进一步验证了该研究所提方法的可靠性和有效性,研究结果可以为小麦的产量预测提供支撑。

基于三目注意力机制的高效轻量化麦穗检测算法

针对复杂大田环境下基于卷积神经网络的麦穗检测方法实时性差、检测精度低的问题,提出一种基于三目注意力机制的高效轻量化麦穗检测算法。采用MobileNetV3作为主干网络对特征进行高效提取;通过融合通道、空间和位置的特征信息设计三目注意力机制,提升模型对关键特征的敏感度;基于条件卷积设计全局多头自注意力机制,增强全局特征的提取能力;选择CIOU作为边框回归损失函数,增强遮挡及重叠目标的检测效果。实验结果表明,与其它优秀的算法相比,所提算法在减少模型容量的同时,提升了检测精度和速度。

基于卷积神经网络的田间麦穗检测方法研究

为提高卷积神经网络对麦穗的识别检测精度,在YOLOv5检测模型基础上提出改进的识别检测模型YOLOv5-αTB,在特征提取网络末端部分加入Transformer模块,强化特征提取网络对小麦麦穗图像的颜色、纹理、几何等特征的提取,在特征融合部分将路径聚合网络(path aggregation network,PANet)替换成加权双向特征金字塔(bidirectional feature pyramid network,BiFPN),进一步优化多尺度特征的融合。针对边界框回归损失函数的计算方式IoU的局限性,引入了α-CIoU加强了边界框回归的效果。利用YOLOv5-αTB检测模型在测试集上得到的精确度(precision)、召回率(recall)和平均精度(average precision,AP)分别是99.95%、81.86%和88.64%,在平均精度上相比于传统的YOLOv5模型提升2.92个百分点。该模型检测统计麦穗数量对比人工计数结果,识别检测精度约为97.00%。

基于图像处理技术的大田麦穗计数!

为了实现不同播种方式下单位面积小麦穗数的智能计算,设计了一种利用图像分析技术实现大田麦穗快速计数的方法,分析了利用颜色特征和纹理特征分割麦穗的优缺点和粘连区域麦穗个数的计算方法。通过对撒播和条播各35幅样本图像进行计数实验,准确率分别为95.77%和96.89%。结果表明,利用颜色特征和纹理特征均可提取大田环境下麦穗图像,其中利用颜色特征提取速度快。麦穗骨架角点个数能够反映粘连区域麦穗个数,在条播和撒播小麦田中计数准确率均较高。

小麦杂种优势群研究 Ⅵ.普通小麦与穗分枝小麦、轮回选择后代材料、西藏半野生小麦和斯卑尔脱小麦早熟诱变系的SSR分子标记遗传差异研究

为分析小麦杂种优势群,采用微卫星(SSR)分子标记对中国北方冬麦区普通小麦(20份)、穗分枝小麦(4份)、轮回选择后代(14份)、西藏半野生小麦(3份)和斯卑尔脱小麦Hubel早熟诱变系(4份)共45份材料的遗传多样性进行了分析。结果表明,所用23个SSR引物在45个材料间共检测出226个等位变异,每个引物检测出5-16个等位变异,平均为9.82个。普通小麦群体与轮回选择后代、穗分枝小麦、西藏半野生小麦和Hubel诱变系间的遗传距离分别为0.7715、0.8145、0.9087和0.9217,均明显高于普通小麦群体内的0.6622;在聚类结果上,普通小麦、穗分枝小麦、轮回选择后代、西藏半野生小麦和Hubel诱变系也被明显地划分为五大不同类群,说明普通小麦群体与穗分枝小麦、轮回选择后代、西藏半野生小麦和Hubel诱变系间存在着较大的遗传差异。其中,轮回选择后代、穗分枝小麦和Hubel诱变系与普通小麦杂交F1代育性正常,且为普通小麦表型,可用作杂交小麦的亲本。西藏半野生小麦成熟时期穗轴自然断落,不利于收获,在用于小麦杂种优势利用时须先进行遗传改良。

基于深度卷积神经网络的田间麦穗密度估计及计数

小麦的最终产量可由单位面积的小麦麦穗数侧面反映,为了快速准确统计小麦麦穗数,该研究给出一种在单幅图像上利用深度卷积神经网络估计田间麦穗密度图并进行麦穗计数的方法。首先对采集的田间小麦图像进行直方图均衡化及阈值分割预处理,以减少图像中光照及一些复杂背景对计数的影响;然后根据灌浆期田间小麦图像麦穗密集的特点,引入拥挤场景识别网络(Congested Scene Recognition Network,CSRNet)构建麦穗密度图估计模型,并采用迁移学习方法,利用小麦图像公开数据集对模型进行预训练,再用所采集的小麦图像数据集进行模型参数调整和优化;利用得到的模型生成单幅小麦图像的麦穗密度图,根据密度图中所有密度值的总和对图像进行麦穗计数。最后根据对单幅麦穗图像的试验数据,构建田间麦穗计数函数模型,实现田间小麦麦穗数估计。通过对所采集的安农170、苏麦188、乐麦608和宁麦24这4个品种共296幅小麦图像进行试验,平均绝对误差(Mean Absolute Error,MAE)和均方根误差(Root Mean Squared Error,RMSE)分别为16.44和17.89,4个品种小麦的麦穗计数值与真实值的决定系数R^2均在0.9左右,表明该方法对单幅图像小麦麦穗计数精度较高。此外,通过对田间小麦麦穗数进行估计试验,结果表明,随面积的增大麦穗估计的误差越小,研究结果可以为小麦的产量自动估计提供参考。