基于UANP-MT的半监督菜心杂草分割方法

杂草作为一种常见的农业问题,对农作物的生长造成比较严重的影响,控制和管理杂草是农业生产活动中的重要一环。近年来,随着无人机技术和人工智能技术的快速发展,基于无人机平台的特定区域杂草管理是目前除草作业的主流研究,而精确高效地对田间杂草进行识别和检测是实现自动化杂草管理的重要前提。但高效的识别模型往往意味着大量的农业数据。为了降低对农业标签数据的依赖性,该研究提出了一种UANP-MT(uncertainty aware and network perturbed mean teacher)的半监督语义分割网络。该模型基于PSPNet结构与MT(mean teacher)的思想,首先通过对教师网络做扩增输出,令该部分做出若干次推理并取其均值,以此来保证网络预测的鲁棒性,其次在网络的一致性学习部分构建不确定性系数来约束不同网络间的输出差异,提高预测的置信度和可靠性,从而提高模型的识别准确度。为了验证所提出的模型的有效性,设计消融试验,包括对网络参数的取值设置,特征提取网络backbone的选取,以及在不同数据量的数据集下对模型进行性能测试,试验过程中确定了模型的一些最佳的参数设置。结果表明,在与原监督网络的对比试验中,在所提出的UANP-MT模型在标签数据低于原监督网络的前提下,其F1分数,像素精确度PA(pixel accuracy)以及交并比Iou(intersection over union)3个评估指标或皆比原监督网络更高,性能更优。此外,在与常用的语义分割模型的对比中,UANP-MT也体现出了其优越性,在1/4数据集的标签数据量参与训练的情况下F1分数为81.83%,像素准确度为95.84%,交并比为90.70%。评估指标分别优于次之的Deeplabv3+模型4.71,7.94,8.27个百分点。该模型能够较好地在低标签数据量情况下对杂草数据集做出高质量的检测和识别,极大地减少物力和时间成本,对后续开发无人机平台的自动化除草作业有一定的参考作用。

基于机器学习和深度学习的玉米种子活力光谱检测

为解决传统的种子活力检测方法存在耗时长、损伤种子等问题,实现种子活力的快速无损检测,分别利用机器学习和深度学习算法结合高光谱成像技术构建玉米种子3个活力梯度分类模型,通过人工老化方式将1 012粒玉米种子分为3个活力梯度样本,采集其高光谱数据后通过卷积平滑(SG)和多元散射校正(MSC)去除高光谱噪声,分别采用主成分分析(PCA)、连续投影算法(SPA)进行光谱特征降维,再从降维后的波段中抽取1 156、1 191和1 463 nm 3个波段合成假彩色图像,用局部二值模式(LBP)提取感兴趣区域的纹理特征,并与纯光谱特征融合。分别基于纯光谱特征构建决策树(DT)和支持向量机(SVM)模型和融合特征建立随机森林(RF)、SVM和极端梯度提升树(XGBoost)模型等机器学习模型。将假彩色图像输入ResNet18、MobileNetV2、DenseNet121、Efficientb0、Efficientb2等5个深度学习模型中进行玉米种子活力预测。结果显示,就机器学习方法而言,针对纯光谱特征表现最好的是PCA-SVM模型,其测试集准确率为92.5%;针对融合特征表现最好的是SVM模型,其测试集的分类准确率为93.1%;就深度学习方法而言,轻量化的MobileNet取得最高的测试集分类准确率99.5%;基于可解释的梯度定位类别激活映射方法表明,分类网络会重点关注玉米种子的中部或基部区域。

田间作物信息监测技术的研究现状与展望

利用田间监测技术采集作物信息,可以实时获取田间作物的生长情况,并做出相应决策,对提高作物的产量和品质有重要作用。针对依赖于人工采样测量的传统作物田间监测方法存在效率低下、主观性强、特征单一等缺点,田间作物的快速监测、信息获取及分析技术成为了当下的研究热点。本文从采集目标、监测平台以及不同数据(信息)分析方法3个方面分析了国内外田间作物监测技术的研究现状,总结了目前我国田间作物监测中存在的问题,并对今后在监测技术创新、信息解析技术、数据(信息)标准化与共享化,以及基础设施及推广方面的发展提出了建议,以期为我国田间作物监测技术的创新和产业发展提供参考。