2021

A UAV Open Dataset of Rice Paddies for Deep Learning Practice

code: https://github.com/aipal-nchu/RiceSeedlingDataset#2-dataset-of-rice-seedling-classification
摘要： 近年来，无人机（uav）已被广泛应用于遥感领域。对于大量的无人机图像，深度学习得到重新活力，并在农业应用中取得了许多成果。用于深度学习模型训练的流行图像数据集是为通用用途而生成的，其中的对象、视图和应用程序都是用于普通场景的。然而，无人机图像具有不同的图像模式，大多是从一个视角向下看。本文提供了一个经过验证的无人机图像标注数据集，描述了数据采集、数据预处理和CNN分类的展示。数据集收集包括一个多旋翼无人机平台，通过飞行一个计划中的侦察常规在稻田上。本文介绍了一种基于ExGR指数的半自动标注方法来生成水稻幼苗的训练数据。为了演示，本研究修改了经典的CNN架构VGG-16，以运行基于贴片的水稻幼苗检测。采用k-fold交叉验证，获得训练/测试数据的80/20分比。网络的精度随着epoch的增加而增加，交叉验证数据集的所有划分精度均达到0.99。水稻幼苗数据集提供了训练验证数据集、基于斑块的检测样本和田间的正交镶嵌图像。

Automatic UAV-based counting of seedlings in sugar-beet field and extension to maize and strawberry(Computers and Electronics in Agriculture)

摘要：作物幼苗计数是一项需要时间的活动，涉及多种农业实践，如植物种植、实验试验、植物育种程序和杂草控制。携带RGB摄像机的无人机（uav）是一种新的现场自动作图工具，利用深度学习方法对无人机图像进行分析，可以提供相关的农艺信息。本研究实现了基于无人机的摄像机系统和深度学习图像分析管道，用于甜菜、玉米和草莓田的全自动植物计数。在不同的生长阶段监测了5个地点，并利用全卷积网络（FCN）管道自动预测每个小区的作物数量。我们基于FCN的方法是一个单一的模型，用于联合确定作物和杂草植物的确切茎部位置，以及考虑作物、杂草和土壤的像素级植物分类。为了确定该方法的性能，我们将预测的作物计数与视觉评估的地面真实数据进行了比较。结果表明，基于无人机的甜菜植株计数的预测误差低于4.6%，影响性能的主要因素与行内距离和生长阶段有关。该管道扩展到其他作物是可能的；在玉米和草莓田的实际田间条件下，预测的误差低于4%。本工作强调了作物自动计数的可行性，这可以减少农民的体力劳动。

2022

Detection and Counting of Maize Leaves Based on Two-Stage Deep Learning with UAV-Based RGB Image（Remote sensing）

摘要： 叶龄是玉米（玉米）生长过程中的一个重要性状。通过对玉米叶片进行计数来估算玉米的种子活性和产量具有重要意义。由于田间场景的复杂性和相邻幼苗叶片的交叉覆盖，对田间玉米叶片的检测和计数非常困难。本研究提出了一种基于利用无人机（uav）采集的RGB图像进行深度学习的玉米叶片检测和计数方法。利用Mask R-CNN从复杂的背景中分离出完整的玉米幼苗，以减少杂草对叶片计数的影响。为了提高模型的分割性能，我们提出了一种新的损失函数SmoothLR来提高模型的分割性能。然后，利用YOLOv5对玉米幼苗分段后的个体叶片进行检测和计数。将1005张田间幼苗图像随机分为训练、验证和测试集，比例为7：2：1。结果表明，Resnet50和SmoothLR的Mask R-CNN的分割性能优于LI Loss的方法。边界框（Bbox）和掩码（Mask）的平均精度分别为96.9%和95.2%。单幅图像检测和分割的推断时间分别为0.05 s和0.07 s。YOLOv5在叶片检测方面比R-CNN和SSD表现得更好。参数最大的YOLOv5x的检测性能最好。全展开叶片和新出现叶片的检测精度分别为92.0%和68.8%，召回率分别为84.4%和50.0%。平均精度（AP）分别为89.6%和54.0%。新出现叶片和完全未展开叶片的计数准确率分别为75.3%和72.9%。实验结果表明，目前基于无人机图像的大田作物叶片计数研究具有可能。

Quick and accurate monitoring peanut seedlings emergence rate through UAV video and deep learning（Computers and Electronics in Agriculture）

摘要： 在苗期，种子萌发的实时监测和检测对种子质量检测、农田管理和产量估算具有重要意义。然而，由于传统的人工苗率监测效率较低，调查方法已逐渐被无人机（uav）和实时花生视频计数模型所取代。在本研究中，我们提出了一种高效、快速的实时花生视频计数模型（结合改进的YOLOV5s、DeepSort和OpenCV程序）来准确区分花生幼苗和杂草，并基于视频对花生幼苗进行计数。改进后的YOLOV5s结合了一个视觉变压器和CSNet，以取代原来的CSNet主干网。现场实验结果表明，实时花生视频计数模型计数能力接近人类，准确率为98.08%；然而，幼苗计算模型只需要进行人类检测所需时间的五分之一。因此，基于视频的模型优于基于图像的目标检测算法，更适合在花生生产的实际发芽率调查中的应用。

Field rice panicle detection and counting based on deep learning(Frontiers in Plant Science，IF=6.6)

摘要：穗数与水稻产量直接相关，因此穗数检测和计数一直是水稻产量最重要的科研课题之一。由于高密度、高咬合、大小、形状、姿势变化较大等因素，穗数计数是一项具有挑战性的任务。深度学习提供了最先进的目标检测和计数性能。一般来说，大的图像需要调整大小，以适应视频内存。然而，如果原始田间水稻图像的图像大小非常大，就会遗漏小圆穗。本文提出了一种基于深度学习的水稻穗检测计数方法，专门用于大尺寸稻田图像中水稻穗的检测。比较不同的目标探测器，选择YOLOv5，MAPE为3.44%，准确率为92.77%。具体来说，我们提出了一种新的去除重复检测的方法，并证明了该方法优于现有的NMS方法。研究结果表明，该方法对不同光照下、水稻品种和图像输入大小的田间水稻图像的穗数计数具有一定的鲁棒性和准确性。此外，该方法在无人机图像上表现良好。此外，还为水稻研究人员开发了一个开放访问和用户友好的门户网站，以方便地使用所提出的方法。