引用格式：龙佳宁, 张昭, 刘晓航, 李云霞, 芮照钰, 余江帆, 张漫, FLORES Paulo, 韩哲雄, 胡灿, 王旭峰. 利用改进EfficientNetV2和无人机图像检测小麦倒伏类型[J]. 智慧农业(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
官网全文免费阅读
知网阅读
利用改进EfficientNetV2和无人机图像检测小麦倒伏类型
龙佳宁1，2， 张昭1，2*， 刘晓航1，2， 李云霞1，2， 芮照钰1，2， 余江帆1，2， 张漫1，2， FLORES Paulo3， 韩哲雄4，5， 胡灿6， 王旭峰6
（1.中国农业大学 信息与电气工程学院，北京 100080， 中国；2.中国农业大学农业农村部农业信息获取技术重点实验室，北京 100083，中国；3.北达科他州州立大学 农业与生物工程系，北达科他州法戈 58102，美国；4.韩国江原大学 生物系统工程系，江原道春川 24341，韩国；5.韩国江原大学 智慧农业交叉学科，江原道春川 24341，韩国；6.塔里木大学 机械电气化工程学院，新疆阿拉尔 843300，中国）
摘要：
［目的/意义］不同类型的小麦倒伏（根部倒伏、茎部倒伏）对产量和质量会产生不同影响。本研究旨在通过无人机图像对小麦倒伏类型进行分类，并探究无人机飞行高度对分类性能的影响。
［方法］研究设置3个无人机飞行高度（15、45、91 m）来获取小麦试验田的图像，并利用自动分割算法生成不同高度的数据集，提出一种EfficientNetV2-C改进模型对其进行分类识别。模型通过引入CA（Coordinate Attention）注意力机制来提升网络特征提取能力，并结合CB-Focal Loss（Class–Balanced Focal Loss）来解决数据不均衡对模型分类准确度的影响。
［结果和讨论］改进的EfficientNetV2-C表现最佳，平均准确率达到93.58%。对比未改进的4种机器学习分类模型（支持向量机（Support Vector Machine，SVM）、K最近邻（K Nearest Neighbor，KNN）、决策树（Decision Tree，DT）和朴素贝叶斯（Naive Bayes，NB））与两种深度学习分类模型（ResNet101和EfficientNetV2），其中EfficientNetV2在各个高度下表现最优，平均准确率达到82.67%。无人机飞行高度对4种机器学习分类器性能无显著影响，但随飞行高度上升，由于图像特征信息损失，深度学习模型的分类性能下降。
［结论］改进的EfficientNetV2-C在小麦倒伏类型检测方面取得了较高的准确率，为小麦倒伏预警和农作物管理提供了新的解决方案。
关键词： 小麦倒伏类型；图像处理；深度学习；不平衡数据；机器学习；无人机
文章图片
图1 小麦倒伏类型检测序流程图
Fig. 1 Flowchart of wheat lodging types detection
图2 模型数据集自动生成过程图
Fig. 2 Diagram of the process of automatic model dataset generation
图3 不同小麦倒伏类型无人机图像示意图
Fig. 3 Schematic diagram of different wheat lodging types based on UAV images
图4 数据增强方式可视化图
Fig. 4 Visualization of the data enhancement approach
图5 EfficientNetV2-C网络结构图
Fig. 5 EfficientNetV2-C network structure diagram
图6 注意力机制原理图
Fig. 6 Schematic diagram of the attention mechanism
图7 四种机器学习分类器（SVM、DT、KNN、NB）分类结果
Fig. 7 Classification results of four machine learning classifiers （SVM， DT， KNN， NB）
图8 改进EfficientNetV2-C模型在不同高度下训练与验证模型精度与损失训练过程
Fig. 8 Improvement of EfficientNetV2-C model for training and validation of model accuracy and loss training
process at different altitudes
注：其中每一小幅图左侧表示长矩形试验田尺寸为1.5 m×15 m的预测结果。右侧表示短矩形试验田尺寸为1.5 m×3.7 m的预测结果
图9 EfficientNetV2-C对不同高度下3种小麦倒伏类型预测
Fig. 9 EfficientNetV2-C prediction of three types of collapse at different heights
通信作者简介
张昭 教授
张昭，中国农业大学教授，博导，中国农业大学“杰出人才引进”，美国北达科他州州立大学兼职研究员，Springer旗下智慧农业系列丛书总主编，IJABE、ASABE、《智慧农业（中英文）》等期刊青年编委，主要研究方向为作物表型智能感知和智慧果园作业装备研发。相关成果发表在Transactions ASABE、Applied Engineering in Agriculture、Computers and Electronics in Agriculture和Postharvest Biology and Technology 等期刊上，以第一或者通讯作者发表SCI/EI学术论文30余篇，授权发明专利1项，出版英文专著3部，近3年主持精准农业课题6项，参与其他课题3项。
来源：《智慧农业（中英文）》2023年第3期
转载请联系编辑部授权
本期支持单位
潍柴雷沃智慧农业科技股份有限公司
淄博数字农业农村研究院
上海赞奇文化科技有限公司
智慧农业微信交流服务群
为方便农业科学领域读者、作者和审稿专家学术交流，促进智慧农业发展，为更好地服务广大读者、作者和审稿人，编辑部建立了微信交流服务群，有关专业领域内的问题讨论、投稿相关的问题均可在群里咨询。入群方法：加小编微信331760296，备注：姓名、单位、研究方向，小编拉您进群，机构营销广告人员勿扰。
发布征集
欢迎在我公众号发布科研团队介绍、创新科研成果及相关活动等信息。