Plant Phenomics ESI高被引論文 | 基于高通量無人機RGB圖像的水稻植株計數、定位和大小估計方法

水稻是全球糧食生產的重要組成部分，全球水稻種植面積達1.55億公頃，約有30億人口每天以稻米為主食。同時，水稻產量的穩定在國家糧食安全中也起著重要的作用。目前，以人工智能等現代信息技術為基礎的精細農業正成為農業現代化的發展方向，加快推進了現代信息技術在農業中的應用。水稻的種植密度與水稻產量密切相關，如何快速、準確和高效的統計出單位面積內水稻植株的數量對于水稻的產量估計、田間管理等至關重要。近年來，水稻植株數量的信息獲取技術已成為水稻表型研究中的重要方面。
 

2023年1月，Plant Phenomics在線發表了由海南大學、南京郵電大學、華中科技大學、新加坡國立大學以及江西省氣象局農氣中心等單位共同完成的題為Rice Plant Counting, Locating and Sizing Method Base on High-throughput UAV RGB Images的研究論文。
 

本文提出了一種新的無人機高通量水稻植株數據集（UAV-based rice counting, URC），該數據集可用于無人機田間水稻植株的計數研究。根據目前的文獻調查，這是第一個使用無人機RGB圖像的高通量水稻植株計數數據集；本文還提出了一種新的水稻計數網絡RiceNet，該網絡可以通過無人機RGB圖像來實現田間水稻植株的無接觸和精確計數。在RiceNet中，提出并采用植物注意力機制和正負損失函數來抑制水稻圖像中的背景及噪聲，進一步提高了估計密度圖的質量；通過在RiceNet中設計的植株位置檢測模塊和植株大小估計模塊，實現了植物位置和大小兩種高層次的語義信息的獲取。
 

本文提出了一種新的基于無人機圖像的水稻植株計數方法RiceNet。該方法可以利用無人機拍攝的高通量RGB圖像在稻田中實現水稻植株的計數、定位和大小估計。如圖1所示，該算法由一個特征提取器和三個特征解碼器模塊組成，即密度圖估計DME模塊、植株位置檢測PLD模塊和植株大小估計PSE模塊。在RiceNet中，水稻植物注意力機制和正負損失函數能夠更好地區分水稻植物與圖像背景，這進一步提高了網絡所估計密度圖的質量。此外，在無人機水稻植株圖像的人工標注方面，本文采用人工的點標注作為標簽，避開了繁瑣復雜的邊界框手動標記。

圖1 本文RiceNet網絡的主干結構圖，其中包括：輸入圖像的前端特征提取器、植株密度圖估計模塊、植株位置檢測模塊、植株大小估計模塊

實驗中，我們將RiceNet與現有的幾種經典的計數方法進行了比較，在所提出的URC數據集上分析了它們的計數結果。對比實驗中，本文采用了常用的平均絕對誤差（MAE）和均方根誤差（RMSE）來評估網絡預測計數和人工計數真實值之間的差異。表1顯示了在URC數據集上不同方法的性能。最左邊的一列是幾種經典的計數方法和我們的方法。第三列和第四列是不同方法的MAE和RMSE結果。從表1可以看出，我們的方法在很大程度上優于其他方法。本文方法的MAE和RMSE分別達到8.6和11.2。結果表明，RiceNet可以準確有效地估計水稻植株數量，可用于替代傳統的人工計數方法。
 

表1 不同方法在URC數據集中的計數性能

在以前的方法中，為了獲取植株的位置和大小通常需要使用矩形框標注的檢測方法。然而，對于有具有非常多水稻植株的無人機圖像，人工矩形框標注將會非常的費時費力，大量標注在無人機圖像上往往不可行。相反，人工點標注方法相對簡單，更容易實現大量植物的快速標注。在RiceNet網絡中，基于URC每個水稻圖像中植株均勻分布這一合理假設，我們利用數據集中所提供的人工點標注在網絡中設計了的PLD和PSE模塊，實現了水稻植株位置和大小的估計。如圖7第五列所示，RiceNet不僅輸出植物數量，同時也給出了位置（紅色點）和水稻植株的大小（白色方框）信息。
 

圖2 URC數據集中水稻植株計數、定位和大小估計結果的可視化效果。第一列是四個測試圖像塊，第二列是人工標注獲取真實密度圖，第三列是網絡估計密度圖，第四列是植株注意力圖，第五列是植物位置和大小預測結果

此外，論文中還針對人工標注真實密度圖生成時的sigma參數、所提出的損失函數進行了消融實驗。由于URC數據集中只提供了不同水稻植株的人工點標注，目前研究中對于植株大小、位置的估計仍采用簡單肉眼定性分析。后續階段研究中，怎么合理地量化評價網絡的大小、位置輸出將會成為未來的工作重點。
 

該論文研究由海南大學、南京郵電大學、華中科技大學、新加坡國立大學以及江西省氣象局農氣中心的相關學者合作完成。海南大學白曉東副教授為本文第一作者，南京郵電大學研究生劉丕超為本文通信作者。相關工作得到了國家自然科學基金、江蘇省研究生科研與實踐創新計劃項目等項目的資助支持。
 

論文鏈接：

https://spj.science.org/doi/10.34133/plantphenomics.0020‍

——推薦閱讀——

Dynamic UAV Phenotyping for Rice Disease Resistance Analysis Based on Multisource Data

https://doi.org/10.34133/plantphenomics.0019

Plant Phenomics | 使用無人機多視角成像技術估算小麥幼苗分蘗數

加入作者交流群

掃碼添加小編微信，拉您進入《植物表型組學》作者交流群，群內不定期開展作者分享會、專刊發布會等高質量活動。

添加小編微信，備注姓名+單位+PP，加入作者交流群

About Plant Phenomics

《植物表型組學》（Plant Phenomics）是由南京農業大學和美國科學促進會（AAAS）合作創辦的英文學術期刊，于2019年1月正式上線發行。采用開放獲取形式，刊載植物表型組學交叉學科熱點領域具有突破性科研進展的原創性研究論文、綜述、數據集和觀點。具體范圍涵蓋高通量表型分析的最新技術，基于圖像分析和機器學習的表型分析研究，提取表型信息的新算法，作物栽培、植物育種和農業實踐中的表型組學新應用，與植物表型相結合的分子生物學、植物生理學、統計學、作物模型和其他組學研究，表型組學相關的植物生物學等。期刊已被DOAJ、Scopus、PMC、EI和SCIE等數據庫收錄。科睿唯安JCR2021影響因子為6.5，位于農藝學、植物科學、遙感一區。2023年中科院期刊分區位于農林科學大類一區。2020年入選中國科技期刊卓越行動計劃高起點新刊項目。

說明：本文由《植物表型組學》編輯部負責組稿。
中文內容僅供參考，一切內容以英文原版為準。
特邀作者：劉丕超、白曉東
排版：蘇梓鈺（南京農業大學）
審核：孔敏、王平