基于深度学习的小麦倒伏自动分类方法研究

doi:10.15933/j.cnki.1004-3268.2023.11.018

河南农业科学 ›› 2023, Vol. 52 ›› Issue (11): 167-173.DOI: 10.15933/j.cnki.1004-3268.2023.11.018

• 农业信息与工程·农产品加工 • 上一篇下一篇

基于深度学习的小麦倒伏自动分类方法研究

臧贺藏^1,2，王从胜^1,3，赵巧丽^1,2，赵晴^1,2，张杰^1,2，李国强^1,2，郑国清^1,2

（1.河南省农业科学院农业经济与信息研究所，河南郑州4 50002；2.农业农村部黄淮海智慧农业技术重点实验室，河南郑州 450002；3.河南师范大学计算机与信息工程学院，河南新乡 453007）

收稿日期:2023-07-17 出版日期:2023-11-15 发布日期:2023-12-05
通讯作者: 郑国清（1964-），男，河南淅川人，研究员，博士，主要从事农业信息技术研究。E-mail：zgqzx@hnagri.org.cn
作者简介:臧贺藏（1983-），女，河南驻马店人，副研究员，博士，主要从事作物表型鉴定研究。E-mail：zanghecang@163.com
基金资助:
河南省科技攻关计划项目（232102110272）；河南省农业科学院自主创新项目（2023ZC063）；河南省农业科学院科技创新团
队项目（2022TD14）

Study on Automatic Classification Method of Wheat Lodging Based on Deep Learning

ZANG Hecang^1,2，WANG Congsheng^1,3，ZHAO Qiaoli^1,2，ZHAO Qing^1,2，ZHANG Jie^1,2，LI Guoqiang^1,2，ZHENG Guoqing^1,2

（1.Institute of Agricultural Economy and Information，Henan Academy of Agricultural Sciences，Zhengzhou 450002，China；2.Huanghuaihai Key Laboratory of Intelligent Agricultural Technology，Ministry of Agriculture and Rural Areas，Zhengzhou 450002，China；3.College of Computer and Information Engineering，Henan Normal University，Xinxiang 453007，China）

Received:2023-07-17 Published:2023-11-15 Online:2023-12-05

摘要/Abstract

摘要： 倒伏是制约小麦产量的关键因素。针对现有小麦倒伏区域统计费时费力、倒伏分类方法较为单一、模型预测精度低的问题，采用无人机遥感平台获取小麦倒伏可见光图像，自建小麦倒伏图像数据集，采用分割模型U-Net、PSPNet、DeepLabv3+和ACSNet自动提取小麦倒伏区域。结果表明，通过4种方法对小麦倒伏区域提取比较，ACSNet对小麦倒伏检测的分割效果较好，其精准率（Pre）、召回率（Rec）、Dice相关系数（DSC）和IoU指数分别为87.5%、91.7%、87.0%、88.6%，计算量（FLOPs）较低，具有较强的准确性和鲁棒性。ACSNet对小麦倒伏预测结果与真实结果接近，识别的平均相对误差为4.5%。表明通过ACSNet能够有效提取小麦倒伏信息，为无人机遥感评估小麦受灾面积及损失提供支撑。

关键词: 小麦, 倒伏, 无人机遥感, 深度学习, 分类方法

Abstract: Lodging is a key factor restricting wheat yield. Aiming at the problems of time⁃consuming and laborious statistics of wheat lodging area，single lodging classification method and low model prediction accuracy，this study used UAV remote sensing platform to obtain wheat lodging visible light image，self⁃built wheat lodging image data set，and used segmentation models U⁃Net，PSPNet，DeepLabv3+，ACSNet to automatically extract wheat lodging area.The results showed that ACSNet had a better segmentation effect on wheat lodging detection by comparing the four methods of wheat lodging area extraction，and its Pre，Rec，DSC and IoU were 87.5%，91.7%，87.0% and 88.6%，respectively，FLOPs were lower，with strong accuracy and robustness.After testing，the prediction results of wheat lodging by ACSNet were close to the real results，and the average relative error of recognition was 4.5%.Thus，ACSNet can effectively extract wheat lodging information，providing support for UAV remote sensing assessment of wheat disaster area and loss.

Key words: Wheat, Lodging, UAV remote sensing, Deep learning, Classification method

中图分类号:

S126

臧贺藏, 王从胜, 赵巧丽, 赵晴, 张杰, 李国强, 郑国清. 基于深度学习的小麦倒伏自动分类方法研究[J]. 河南农业科学, 2023, 52(11): 167-173.

ZANG Hecang, WANG Congsheng, ZHAO Qiaoli, ZHAO Qing, ZHANG Jie, LI Guoqiang, ZHENG Guoqing. Study on Automatic Classification Method of Wheat Lodging Based on Deep Learning[J]. Journal of Henan Agricultural Sciences, 2023, 52(11): 167-173.

参考文献

［1］CHAUHAN S，DARVISHZADEH R，BOSCHETTI M，et al.Discriminant analysis for lodging severity classification in wheat using RADARSAT⁃2 and Sentinel⁃1 data［J］.ISPRS Journal of Photogrammetry and Remote Sensing，2020，164：138⁃151.
［2］ZANG H C，WANG Y J，RU L Y，et al.Detection method of wheat spike improved YOLOv5s based on the attention mechanism［J］.Frontiers in Plant Science，2022，13：993244.
［3］FAO.Impact of disasters and crises on agriculture and food security［EB/OL］.［2021⁃03⁃18］.https：//www.fao.org/director⁃general/speeches/detail/zh/c/.1382466.
［4］河南省统计局，国家统计局河南调查总队.河南统计年鉴［M］.北京：中国统计出版社，2021.
Henan Statistics Bureau，Henan General Team of Investigation under the NBS. Henan statistical yearbook［M］.Beijing：China Statistics Press，2021.
［5］申华磊，苏歆琪，赵巧丽，等.基于深度学习的无人机遥感小麦倒伏面积提取方法［J］.农业机械学报，2022，53（9）：252⁃260，341.
SHEN H L，SU X Q，ZHAO Q L，et al.Extraction of lodging area of wheat varieties by unmanned aerial vehicle remote sensing based on deep learning［J］.Transactions of the Chinese Society for Agricultural Machinery，2022，53（9）：252⁃260，341.
［6］ZHAO B Q，LI J T，BAENZIGER P S，et al.Automatic wheat lodging detection and mapping in aerial imagery to support high⁃throughput phenotyping and in⁃season crop management［J］.Agronomy，2020，10（11）：1762.
［7］BERRY P M，SPINK J.Predicting yield losses caused by lodging in wheat［J］.Field Crops Research，2012，137：19⁃26.
［8］FOULKES M J，SLAFER G A，DAVIES W J，et al.Raising yield potential of wheat.III.Optimizing partitioning to grain while maintaining lodging resistance［J］.Journal of Experimental Botany，2011，62（2）：469⁃486.
［9］PENG D L，CHEN X G，YIN Y P，et al.Lodging resistance of winter wheat（Triticum aestivum L.）：Lignin accumulation and its related enzymes activities due to the application of paclobutrazol or gibberellin acid［J］.Field Crops Research，2014，157：1⁃7.
［10］HEIN N T，CIAMPITTI I A，KRISHNA JAGADISH S V.Bottlenecks and opportunities in field⁃based high⁃throughput phenotyping for heat and drought stress［J］.Journal of Experimental Botany，2021，72（14）：5102⁃5116.
［11］YANG B H，ZHU Y，ZHOU S J.Accurate wheat lodging extraction from multi⁃channel UAV images using a lightweight network model［J］.Sensors，2021，21（20）：6826.
［12］ROBERTSON D J，JULIAS M，GARDUNIA B W，et al.Corn stalk lodging：A forensic engineering approach provides insights into failure patterns and mechanisms［J］.Crop Science，2015，55（6）：2833⁃2841.
［13］TIAN M L，BAN S T，YUAN T，et al.Assessing rice lodging using UAV visible and multispectral image［J］.International Journal of Remote Sensing，2021，42（23）：8840⁃8857.
［14］张科谦，程钢，吴微，等.融合主被动遥感影像的冬小麦种植面积提取研究［J］.河南农业科学，2023，52（6）：160⁃171.
ZHANG K Q，CHENG G，WU W，et al.Extraction of winter wheat planting area based on fused active and passive remote sensing images［J］.Journal of Henan Agricultural Sciences，2023，52（6）：160⁃171.
［15］李晓，吴亚鹏，贺利，等.基于近地高光谱遥感的小麦叶片生长参数动态模型研究［J］.河南农业大学学报，2022，56（2）：199⁃208.
LI X，WU Y P，HE L，et al.Dynamic model for wheat leaf growth parameters based on in⁃situ hyperspectral remote sensing［J］.Journal of Henan Agricultural University，2022，56（2）：199⁃208.
［16］井宇航，郭燕，张会芳，等.无人机飞行高度对冬小麦植株氮积累量预测模型的影响［J］.河南农业科学,2022，51（2）：147⁃158.
JING Y H，GUO Y，ZHANG H F，et al.Effects of UAV flight height on prediction model of plant nitrogen accumulation in winter wheat［J］.Journal of Henan Agricultural Sciences，2022，51（2）：147⁃158.
［17］魏庆伟，朱黎明，王福州.近地遥感监测冬小麦关键发育时期的方法研究［J］.河南农业科学，2021，50（10）：163⁃171.
WEI Q W，ZHU L M，WANG F Z.A method for monitoring the critical growth stages of winter wheat by using near⁃earth remote sensing［J］.Journal of Henan Agricultural Sciences，2021，50（10）：163⁃171.
［18］刘良云，王纪华，宋晓宇，等.小麦倒伏的光谱特征及遥感监测［J］.遥感学报，2005，9（3）：323⁃327.
LIU L Y，WANG J H，SONG X Y，et al.The canopy spectral features and remote sensing of wheat lodging［J］.Journal of Remote Sensing，2005，9（3）：323⁃327.
［19］赵静，潘方江，兰玉彬，等.无人机可见光遥感和特征融合的小麦倒伏面积提取［J］.农业工程学报，2021，37（3）：73⁃80.
ZHAO J，PAN F J，LAN Y B，et al.Wheat lodging area extraction using UAV visible light remote sensing and
feature fusion［J］.Transactions of the Chinese Society of Agricultural Engineering，2021，37（3）：73⁃80.
［20］杨浩，杨贵军，顾晓鹤，等.小麦倒伏的雷达极化特征及其遥感监测［J］.农业工程学报，2014，30（7）：1⁃8.
YANG H，YANG G J，GU X H，et al.Radar polarimetric response features and remote sensing monitoring of wheat lodging［J］.Transactions of the Chinese Society of Agricultural Engineering，2014，30（7）：1⁃8.
［21］董锦绘，杨小冬，高林，等.基于无人机遥感影像的冬小麦倒伏面积信息提取［J］.黑龙江农业科学，2016（10）：147⁃152.
DONG J H，YANG X D，GAO L，et al.Information extraction of winter wheat lodging area based on UAV remote sensing image［J］.Heilongjiang Agricultural Sciences，2016（10）：147⁃152.
［22］ZHAO X，YUAN Y T，SONG M D，et al.Use of unmanned aerial vehicle imagery and deep learning UNet to extract rice lodging［J］.Sensors，2019，19（18）：3859.
［23］ZHANG Z，FLORES P，IGATHINATHANE C，et al.Wheat lodging detection from UAS imagery using machine learning algorithms［J］.Remote Sensing，2020，12（11）：1838.
［24］YANG M D，BOUBIN J G，TSAI H P，et al.Adaptiveautonomous UAV scouting for rice lodging assessment using edge computing with deep learning EDANet［J］.Computers and Electronics in Agriculture，2020，179：105817.
［25］YANG M D，TSENG H H，HSU Y C，et al.Semantic segmentation using deep learning with vegetation indices for rice lodging identification in multi⁃date UAV visible images［J］.Remote Sensing，2020，12（4）：633.
［26］MARDANISAMANI S，MALEKI F，KASSANI S H，et al.Crop lodging prediction from UAV⁃acquired images of wheat and canola using a DCNN augmented with handcrafted texture features［C］//2019 IEEE/CVF Conference on Computer Vision and Pattern Recognition Workshops（CVPRW）.Long Beach，CA，USA：IEEE，2019：2657⁃2664.
［27］MODI R U，CHANDEL A K，CHANDEL N S，et al.State⁃of⁃the⁃art computer vision techniques for automated sugarcane lodging classification［J］.Field Crops Research，2023，291：108797.
［28］RONNEBERGER O，FISCHER P，BROX T.U⁃Net：Convolutional networks for biomedical image segmentation［C］//International Conference on Medical Image Computing and Computer⁃Assisted Intervention.Cham：Springer，2015：234⁃241.
［29］YUAN W，WANG J，XU W B.Shift pooling PSPNet：Rethinking PSPNet for building extraction in remote sensing images from entire local feature pooling［J］.Remote Sensing，2022，14（19）：4889.
［30］WANG Y Y，WANG C Y，WU H X，et al.An improved deeplabv3+semantic segmentation algorithm with multiple loss constraints［J］.PLoS One，2012，17（1）：0261582.
［31］ZHANG R F，LI G B，LI Z，et al.Adaptive context selection for polyp segmentation［C］//International Conference on Medical Image Computing and Computer⁃Assisted Intervention. Cham：Springer，2020：253⁃262.
［32］MADEC S，JIN X L，LU H，et al.Ear density estimation from high resolution RGB imagery using deep learning technique［J］.Agricultural and Forest Meteorology，2019，264：225⁃234.
［33］HASAN M M，CHOPIN J P，LAGA H，et al.Detection and analysis of wheat spikes using Convolutional Neural Networks［J］.Plant Methods，2018，14：100.
［34］DAVID E，MADEC S，SADEGHI⁃TEHRAN P，et al.Global wheat head detection（GWHD）dataset：A large and diverse dataset of high⁃resolution RGB⁃labelled images to develop and benchmark wheat head detection methods［J］.Plant Phenomics，2020，2020：3521852.

[1]	徐春燕, 张倩, 王雅娴, 王红雨, 盛开, 王宜伦. 商品有机肥对砂质潮土理化性状、冬小麦产量及养分积累的影响[J]. 河南农业科学, 2024, 53(2): 56-64.
[2]	王俊美, 李亚红, 徐飞, 杨共强, 冯超红, 李好海, 宋玉立. 腥掷孢酵母17wy1 的分离、鉴定及对小麦白粉病防效初探[J]. 河南农业科学, 2024, 53(2): 101-107.
[3]	于雁南, 莫泳彬, 严继池, 熊春林, 窦世卿, 杨荣峰. 基于改进ShuffleNet V2 的柑橘病害识别研究[J]. 河南农业科学, 2024, 53(1): 142-151.
[4]	钟正扬, 云利军, 杨璇玺, 陈载清. 基于改进YOLOX 的自然环境下核桃识别算法研究[J]. 河南农业科学, 2024, 53(1): 152-161.
[5]	鲁晓民, 郭书磊, 张新, 魏良明, 张前进, 曹丽茹, 刘海静, 邓亚洲, 张震, 王振华. 不同密度下玉米茎秆抗倒伏相关性状的产量构成分析[J]. 河南农业科学, 2023, 52(9): 44-55.
[6]	连延浩, 杜飞波, 薛博, 王志强, 任永哲, 林同保, 李森. 垄作结合一次性施肥对冬小麦氮素利用及经济效益的影响[J]. 河南农业科学, 2023, 52(9): 56-65.
[7]	赵立尚, 王香生, 高楠楠, 韩鹏彬, 李杰, 任永哲, 林同保, 王志强, 连延浩. 2 种基因型小麦间作对籽粒灌浆特性及产量的影响[J]. 河南农业科学, 2023, 52(8): 18-25.
[8]	李海泳, 李梦钰, 高闯, 许豪, 殷贵鸿, 董纯豪, 牛吉山, 李巧云. 小麦对Bipolaris sorokiniana黑胚病与苗期叶枯病抗性的相关性[J]. 河南农业科学, 2023, 52(8): 96-104.
[9]	郝紫瑞, 贾玉库, 葛子菲, 毕新铜, 张剑, 谢迎新, 王晨阳, 马冬云. 不同黑小麦品种面粉及馒头品质分析[J]. 河南农业科学, 2023, 52(8): 163-170.
[10]	张科谦, 程钢, 吴微, 宋向阳, 张子谦, 姚顺, 吴帅. 融合主被动遥感影像的冬小麦种植面积提取研究[J]. 河南农业科学, 2023, 52(6): 160-171.
[11]	张强, 吴利民, 李朋燕, 赵娜, 户申奥, 陆宁海. 小麦茎基腐病拮抗菌发酵条件优化及稳定性评价[J]. 河南农业科学, 2023, 52(5): 121-129.
[12]	陈泽东, 师焕婷, 董殿琪, 王亚鑫, 王金凤, 虞波, 王鹏飞, 康国章. 不同小麦品种（系）耐低磷能力综合评价与代表性评价指标筛选[J]. 河南农业科学, 2023, 52(4): 21-30.
[13]	陈聪, 于啸, 宫琪. 基于改进残差网络的苹果叶片病害识别研究[J]. 河南农业科学, 2023, 52(4): 152-161.
[14]	郭芳芳, 韩亚倩, 周苏玫, 杜西河, 宋淼, 张洁梅, 黄源, 胡乃月, 臧贺藏, 杨习文. 施氮量对小麦不同生育时期不同器官氮锌吸收、积累与分配的影响[J]. 河南农业科学, 2023, 52(3): 12-25.
[15]	秦毛毛, 刘艳喜, 王雯斐, 常阳, 周正富, 雷振生, 吴政卿. 优质小麦品种郑麦119 品质及其稳定性分析[J]. 河南农业科学, 2023, 52(2): 21-30.

基于深度学习的小麦倒伏自动分类方法研究

Study on Automatic Classification Method of Wheat Lodging Based on Deep Learning

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics