從麥田圖像中檢測和表征穗子對于精確農(nóng)業(yè)的小麥生長監(jiān)測至關重要。隨著各種技術的發(fā)展，基于深度學習的方法已經(jīng)顯著地提高了小麥穗的檢測性能。然而，由于田間小麥高穗遮擋和復雜背景會導致錯檢和漏檢的問題，在無人機圖像中檢測小的和重疊的小麥穗仍具有挑戰(zhàn)性。本文提出了一種用于定向小尺寸小麥穗檢測的深度學習方法（OSWSDet）。與經(jīng)典的小麥穗粒檢測方法不同，OSWSDet通過集成圓形平滑標簽（CSL）和微尺度檢測層，將小麥穗粒的方向引入YOLO框架。這些改進提高了檢測小尺寸麥穗的能力，防止了麥穗檢測錯誤。實驗結果表明，OSWSDet優(yōu)于經(jīng)典的麥穗檢測方法，平均精度（AP）為90.5%。OSWSDet能夠準確地檢測出具有復雜田間背景的無人機圖像中的麥穗，為今后田間小麥表型監(jiān)測提供了技術參考。 

圖1 實驗地點和無人機的麥穗圖像。(a)清晰的圖像，(b)模糊的圖像，(c)人工標注的圖像。

圖2 OSWSDet 的總體框架。紅色標簽是OSWSDet中提出的改進，包括 CSL（圓形平滑標簽）、微尺度檢測層、基于 CIoU（Complete Intersection over Union）和 RNMS（Rotation Non-Maximum Suppression）的優(yōu)化定位損失。

圖3 據(jù)增強：（a）原始圖像，（b）旋轉90°，（c）旋轉180°，（d）旋轉270°，（e）垂直翻轉，（f）水平翻轉，（g）和（h）亮度平衡。

圖4 兩個定向檢測框的 WIoU 計算。左圖顯示了小麥穗的定向檢測框，右邊的6幅圖像顯示了兩個重疊框之間重疊區(qū)域的形狀。根據(jù)形狀的不同，兩個重疊框有6種不同類型的黃色相交圖，可以用三角形的面積來計算WIoU：（a）相交圖是三角形，（b）相交圖是四邊形，（c）相交圖是五邊形，（d）相交圖是六邊形，（e）相交圖是七邊形，（f）相交圖是八邊形。

圖5 所提方法和其他最先進方法的小麥穗子檢測的精確性和召回率曲線。

圖6圖像上標注的真實穗子數(shù)量與Faster RCNN、SSD、standard YOLOv5、standard YOLOv5with micro-sclae layer、standard YOLOv5with micro-sclae layer and CIoU以及OSWSDet估計的穗子數(shù)量的比較。

圖7 角度等級的小麥穗數(shù)從0到179，具有100個以上小麥穗的類標有特定編號。

圖8使用OSWSDet（a）和標準YOLOv5（b）的檢測結果。紅色邊框代表檢測結果。

圖9使用CSL（a）和無CSL（b）角度分類的模型檢測結果。紅色邊框表示檢測結果。

圖10 不同大小的穗子的數(shù)量分布。

圖11在訓練過程中，用微尺度檢測層（a）、小尺度檢測層（b）、中尺度檢測層（c）和大尺度檢測層（d）實現(xiàn)的正樣本邊界框和麥穗邊界框。正樣本邊界框（淺藍色）。小麥穗的邊界框（粉紅色）。

圖12使用CIoU進行定位損失的模型的檢測結果（a）和使用IoU進行定位損失的檢測結果（b）。紅色邊框代表檢測結果。

來源

Zhao J, Yan J, Xue T, et al. A deep learning method for oriented and small wheat spike detection (OSWSDet) in UAV images[J]. Computers and Electronics in Agriculture, 2022, 198: 107087.https://doi.org/10.1016/j.compag.2022.107087