结合无人机遥感和目标检测实现苎麻植株计数

植株数是监测作物生长状况和质量的重要田间表型性状。为建立高效的苎麻植株数监测技术,针对现有作物植株遥感计数研究中存在的训练样本数据少、作物品种少的问题,研究利用154份苎麻种质资源,结合数据增强方法和2种目标检测算法,探讨在植株生长稠密的情况下,利用小样本数据检测田间苎麻植株数量的准确性。结果表明,借助数据增强方法扩充样本数据后,YOLOv5(You Only Look Once)和Faster-RCNN(Faster region-based convolutional neural network)都能很好地实现植株检测和计数,YOLOv5在小目标、小样本数据中更具优势(R~2=0.728,RMSE=10.881)。数据增强后,模型识别准确率平均提高了6.606%。当地面采样距离为0.125 cm/像素时,可以取得较好的性能。基于作物植株的目标检测具有局限性,监测田间作物最大障碍之一是开发在各种条件下(品种、生长阶段等)都具有鲁棒性的田间作物监测方法。研究认为,借助无人机遥感图像获取作物植株数的方法可以取代传统的计数方法,并且在数据量较少的稠密样本试验中前景可观。

基于改进YOLOv8和无人机遥感影像的大田烟株数量检测

植株精确计数在精准化农业中至关重要,是监测作物生长和预测产量的重要基础。针对成熟期烟草植株存在的密植、重叠和高空小目标等难题,研究提出了一种轻量级GEW-YOLOv8烟株检测算法。该算法采用GhostC2f模块减少了模型的参数和计算量,并应用高效的多尺度注意力机制来区分被遮挡的烟草植株。此外,还引入了WIoU损失函数,以加速模型收敛并提高准确性。实验结果表明,与原始模型相比,模型的效率和准确性有了显著提高,浮点运算次数减少了24.7%,模型大小减少了26.7%。改进后的模型烟草植株检测平均精度AP 0.5和AP 0.5~0.95分别为99.1%和86.2%,相较于原YOLOv8n模型分别提高了0.8%和3.6%。改进后的模型能够更快、更精确地识别田间烟草植物,为智慧烟草农业提供技术支持。