查看更多>>摘要:[目的]株高影响燕麦的单株生产力,并与种植密度共同作用影响单位面积产量.探索大田环境下燕麦株高参数的自动、实时、精准获取方法,以期为燕麦田间自动化管理提供技术参考.[方法]首先基于Intel RealSense D435型深度相机和LabVIEW软件开发平台搭建燕麦深度图像采集系统,以'品燕 4 号'燕麦为研究对象,获取生长全程 26 376 组建模数据和2 205组测试数据,每幅深度图像中燕麦所对应的平均株高和最高株高使用量尺测得.建模数据和测试数据在燕麦各株高区间内的数量相对均衡,并对图像进行高度还原、灰度化和缩放的简单预处理,随之给每张图像打2张标签,分别为图像中燕麦的平均株高和最高株高.基于8种经典卷积神经网络模型,将各网络模型的最后一层(分类层)去除,添加2个单节点且没有激活函数的全连接层后,分别构建双输出回归卷积神经网络估测模型,模型使用均方差函数(mean square error,MSE)评价各模型估测燕麦株高时的准确率.最终基于TensorFlow深度学习平台,采用建模数据经5折交叉验证选取Modified EfficientNet V2 L为估测模型.[结果]采用未参与模型训练的测试数据考察了Modified EfficientNet V2 L模型估测燕麦株高的泛化性能,该模型估测燕麦平均株高时平均绝对误差(mean absolute error,MAE)、均方根差(root mean square error,RMSE)和平均相对误差(mean relative error,MRE)分别为 2.30 cm、2.90 cm和 4.4%,估测最高株高时分别为2.24 cm、2.82 cm和4.1%,模型平均估测时间为52.14 ms.使用该方法估测作物株高时的精度与已有方法相近,平均估测时间可以满足作物株高获取的实时性要求.燕麦平均株高和最高株高估测时的相对误差随着作物株高的增加呈总体下降趋势,可能是由于作物株高较低时,估测结果受土壤起伏度影响较大.模型特征图可视化的结果表明,模型根据深度图像中燕麦的高度及轮廓对株高进行估测.最终基于LabVIEW软件开发平台构建了燕麦株高估测系统,系统在获取燕麦深度图像后,可以在 0.1 s内精准估测出燕麦平均株高和最高株高,整个过程无需人为干预.[结论]使用深度图像和双输出回归卷积神经网络可以估测燕麦株高,其精度可以满足生产需求,该方法可为燕麦等作物的田间管理提供依据.