A research team has developed an innovative method utilizing unmanned aerial vehicles (UAVs) and deep learning techniques to accurately identify tassel states in maize hybridization fields before and after manual detasseling. This approach significantly e
一个研究团队开发了一种创新方法，利用无人机和深度学习技术，在人工去鉴定前后准确识别玉米杂交田的流苏状态。这种方法通过使用特定的注释和数据增强策略，显著提高了流苏检测的准确性，达到98%。这项研究对改进农业领域的流苏检测具有重要价值，有可能通过先进的无人机分析系统减少体力劳动并提高作物管理效率
玉米是中国最重要的作物之一，监测雄穗期对玉米育种至关重要。无人机技术的最新进展使其在详细的作物监测方面具有价值。然而，生成的大量图像数据给处理带来了重大挑战。目前使用基于CNN的深度学习框架进行流苏检测的方法在数据采集和标记方面面临困难，传统的图像处理技术效果有限
2024年5月7日发表在《植物表型》杂志上的一项研究旨在通过开发玉米穗动态生长阶段的准确检测模型和注释数据集来应对这些挑战
本研究通过评估RTMDet网络模型的不同版本，为实际的流苏检测应用选择了一个合适的模型。首先，考虑参数大小和资源需求，确定了模型部署所需的计算资源。然后评估模型的物体识别准确性，特别是mAP@0.5，识别不同对象类别的准确性差异。还评估了推理速度，这对实时应用至关重要
RTMDet模型，从Tiny到X版本，在NSL-C数据集上进行训练。平均检测准确度差异最大为1.1%，X版本通常表现最好，但L版本表现出色的Tassel-L检测除外。选择S版本是因为它具有平衡的性能和资源效率
此外，RTMDet-S模型在NSL-A、NSL-B和NSL-C数据集上进行训练，以评估其在不同生长阶段检测流苏的准确性。使用NSL-T数据集的测试表明，RTMDet-NSL-C模型实现了最佳的整体性能，尤其是在检测准确率为99.8%的Tassel-N和误差最小的Tassel-S方面。该方法被证明在准确识别无人机图像中的流苏状态方面是有效的，为玉米流苏的实时监测和管理提供了一个稳健的解决方案
根据该研究的首席研究员赵春江的说法，“这项针对现实应用场景的研究为使用无人机分析玉米杂交田的雄穗状态提供了新的见解。因此，未来可以开发一种基于无人机遥感图像的新型智能系统，用于对玉米杂交田进行快速、大规模的语义分析，这将减少对人工实地调查的依赖，并帮助管理人员做出决策。”
总之，本研究介绍了一种使用无人机图像和深度学习评估玉米雄穗状态的创新方法。这项研究为开发基于无人机遥感图像的智能系统铺平了道路，能够对玉米杂交田进行快速、大规模的分析，减少对人工调查的依赖，最终有助于更高效的作物管理和决策