深度学习模型增强玉米表型检测和作物管理

一个研究团队开发了点线网，这是一种基于Mask R-CNN框架的深度学习方法，可以自动识别玉米田图像，并确定叶片和秸秆的数量和生长轨迹。该模型实现了81.5%的目标检测精度（mAP50），并引入了一种新的轻量级关键点检测分支。这种创新方法有望提高复杂田间环境中植物育种和表型检测的效率，为更准确的作物管理和产量预测铺平道路

玉米是全球重要作物，对食品、饲料和工业应用至关重要。了解玉米的表型，如株高、叶数和长度，对于提高产量和精确育种至关重要。尽管在计算机视觉和深度学习方面取得了进展，但由于复杂的背景和环境因素，在田间条件下准确的表型检测仍然具有挑战性。目前的方法，主要是为受控环境设计的，正在努力应对这些挑战

2024年5月29日发表在《植物表型》杂志上的一项研究提出了点线网模型，通过准确定位和跟踪玉米叶片的位置和轨迹来改进田间表型检测

在这项研究中，该研究使用三种流行的模型评估了玉米的目标检测准确性：更快的R-CNN、视网膜网络和YOLOv3。使用原始模型架构，发现使用ResNet101+FPN的Faster R-CNN实现了最高的性能，mAP50为76.2%，mAP75为39.9%，尽管检测时间更长，为89.6毫秒。

为了提高准确性，对超参数进行了微调，并结合了软NMS和D IoU技术，将mAP50提高到75.5%，将mAP75提高到49.2%。受人类关键点检测的启发，该研究开发了创新的点线网模型，其mAP50和mAP75分别达到81.5%和50.1%，优于传统方法

该方法在描述叶和茎轨迹方面也表现出更好的准确性，自定义距离评估指数（mLD）为33.5，表明其在复杂田间环境中的有效性。训练和验证过程表明，该模型在第100个历元左右稳定下来，这表明后续预测任务的性能最佳

根据该研究的高级研究员觉阮的说法，“我们相信这项研究的结果也可以为其他作物的田间管理和表型数据收集提供思路。”

总之，点线网模型实现了81.5%的目标检测准确率（mAP50），并引入了一种新的轻量级关键点检测分支，显著提高了表型检测。这项研究强调了深度学习方法提高田间植物表型效率的潜力，为未来的作物育种和管理提供了宝贵的见解

整合额外的注释信息，如特定的生长阶段和多角度数据，可以进一步提高模型的准确性和适用性，为更精确的农业实践和更好的作物产量预测铺平道路 More information: Bingwen Liu et al, Recognition and localization of trajectories of maize leaf and stalk in RGB images based on Point-Line Net, Plant Phenomics (2024). DOI: 10.34133/plantphenomics.0199