引用格式：龍佳甯, 張昭, 劉曉航, 李雲霞, 芮照钰, 餘江帆, 張漫, FLORES Paulo, 韓哲雄, 胡燦, 王旭峰. 利用改進EfficientNetV2和無人機圖像檢測小麥倒伏類型[J]. 智慧農業(中英文), 2023, 5(3): 62-74.
DOI：10.12133/j.smartag.SA202308010
LONG Jianing, ZHANG Zhao, LIU Xiaohang, LI Yunxia, RUI Zhaoyu, YU Jiangfan, ZHANG Man, FLORES Paulo, HAN Zhexiong, HU Can, WANG Xufeng. Wheat lodging types detection based on UAV image using improved EfficientNetV2[J]. Smart Agriculture, 2023, 5(3): 62-74.
DOI：10.12133/j.smartag.SA202308010
官網全文免費閱讀
知網閱讀
利用改進EfficientNetV2和無人機圖像檢測小麥倒伏類型
龍佳甯1，2， 張昭1，2*， 劉曉航1，2， 李雲霞1，2， 芮照钰1，2， 餘江帆1，2， 張漫1，2， FLORES Paulo3， 韓哲雄4，5， 胡燦6， 王旭峰6
（1.中國農業大學 資訊與電氣工程學院，北京 100080， 中國；2.中國農業大學農業農村部農業資訊擷取技術重點實驗室，北京 100083，中國；3.北達科他州州立大學 農業與生物工程系，北達科他州法戈 58102，美國；4.南韓江原大學 生物系統工程系，江原道春川 24341，南韓；5.南韓江原大學 智慧農業交叉學科，江原道春川 24341，南韓；6.塔裡木大學 機械電氣化工程學院，新疆阿拉爾 843300，中國）
摘要：
［目的/意義］不同類型的小麥倒伏（根部倒伏、莖部倒伏）對産量和品質會産生不同影響。本研究旨在通過無人機圖像對小麥倒伏類型進行分類，并探究無人機飛行高度對分類性能的影響。
［方法］研究設定3個無人機飛行高度（15、45、91 m）來擷取小麥試驗田的圖像，并利用自動分割算法生成不同高度的資料集，提出一種EfficientNetV2-C改進模型對其進行分類識别。模型通過引入CA（Coordinate Attention）注意力機制來提升網絡特征提取能力，并結合CB-Focal Loss（Class–Balanced Focal Loss）來解決資料不均衡對模型分類準确度的影響。
［結果和讨論］改進的EfficientNetV2-C表現最佳，平均準确率達到93.58%。對比未改進的4種機器學習分類模型（支援向量機（Support Vector Machine，SVM）、K最近鄰（K Nearest Neighbor，KNN）、決策樹（Decision Tree，DT）和樸素貝葉斯（Naive Bayes，NB））與兩種深度學習分類模型（ResNet101和EfficientNetV2），其中EfficientNetV2在各個高度下表現最優，平均準确率達到82.67%。無人機飛行高度對4種機器學習分類器性能無顯著影響，但随飛行高度上升，由于圖像特征資訊損失，深度學習模型的分類性能下降。
［結論］改進的EfficientNetV2-C在小麥倒伏類型檢測方面取得了較高的準确率，為小麥倒伏預警和農作物管理提供了新的解決方案。
關鍵詞： 小麥倒伏類型；圖像處理；深度學習；不平衡資料；機器學習；無人機
文章圖檔
圖1 小麥倒伏類型檢測序流程圖
Fig. 1 Flowchart of wheat lodging types detection
圖2 模型資料集自動生成過程圖
Fig. 2 Diagram of the process of automatic model dataset generation
圖3 不同小麥倒伏類型無人機圖像示意圖
Fig. 3 Schematic diagram of different wheat lodging types based on UAV images
圖4 資料增強方式可視化圖
Fig. 4 Visualization of the data enhancement approach
圖5 EfficientNetV2-C網絡結構圖
Fig. 5 EfficientNetV2-C network structure diagram
圖6 注意力機制原理圖
Fig. 6 Schematic diagram of the attention mechanism
圖7 四種機器學習分類器（SVM、DT、KNN、NB）分類結果
Fig. 7 Classification results of four machine learning classifiers （SVM， DT， KNN， NB）
圖8 改進EfficientNetV2-C模型在不同高度下訓練與驗證模型精度與損失訓練過程
Fig. 8 Improvement of EfficientNetV2-C model for training and validation of model accuracy and loss training
process at different altitudes
注：其中每一小幅圖左側表示長矩形試驗田尺寸為1.5 m×15 m的預測結果。右側表示短矩形試驗田尺寸為1.5 m×3.7 m的預測結果
圖9 EfficientNetV2-C對不同高度下3種小麥倒伏類型預測
Fig. 9 EfficientNetV2-C prediction of three types of collapse at different heights
通信作者簡介
張昭 教授
張昭，中國農業大學教授，博導，中國農業大學“傑出人才引進”，美國北達科他州州立大學兼職研究員，Springer旗下智慧農業系列叢書總主編，IJABE、ASABE、《智慧農業（中英文）》等期刊青年編委，主要研究方向為作物表型智能感覺和智慧果園作業裝備研發。相關成果發表在Transactions ASABE、Applied Engineering in Agriculture、Computers and Electronics in Agriculture和Postharvest Biology and Technology 等期刊上，以第一或者通訊作者發表SCI/EI學術論文30餘篇，授權發明專利1項，出版英文專著3部，近3年主持精準農業課題6項，參與其他課題3項。
來源：《智慧農業（中英文）》2023年第3期
轉載請聯系編輯部授權
本期支援機關
濰柴雷沃智慧農業科技股份有限公司
淄博數字農業農村研究院
上海贊奇文化科技有限公司
智慧農業微信交流服務群
為友善農業科學領域讀者、作者和審稿專家學術交流，促進智慧農業發展，為更好地服務廣大讀者、作者和審稿人，編輯部建立了微信交流服務群，有關專業領域内的問題讨論、投稿相關的問題均可在群裡咨詢。入群方法：加小編微信331760296，備注：姓名、機關、研究方向，小編拉您進群，機構營銷廣告人員勿擾。
釋出征集
歡迎在我公衆号釋出科研團隊介紹、創新科研成果及相關活動等資訊。