基于无人机图像和改进的更快R-CNN的小麦识别和计数的检测方法
Donglin Wang1,2, Longfei Shi1, Huiqing Yin1
1College of Water Conservancy, North China University of Water Resources and Electric Power, Zhengzhou 450000, China.
Plants (Basel, Switzerland)
|August 28, 2025
概括
这项研究引入了一个智能无人飞行器 (UAV) 系统,用于精确计数小麦,改进了手工方法. 开发的Faster R-CNN模型提高了精准农业的效率和精度.
科学领域:
- 农业工程
- 计算机视觉
- 遥感技术
背景情况:
- 手工计数小麦是劳动密集的,低效的,容易出现不准确的情况.
- 现有的自动化方法难以准确,特别是在密集的天花板和不同的场地条件下.
研究的目的:
- 开发一种基于无人机的智能检测方法,用于准确计数小麦.
- 在智能农业中提高小麦点检测和产量预测的效率和准确性.
主要方法:
- 在不同肥料和灌条件下收集了高分辨率冬季小麦图像数据集 (2000张图像).
- 使用ResNet-50骨干与剩余连接和频道注意力开发了改进的Faster R-CNN模型.
- 与手动计数和YOLOv8对模型的性能进行了验证,并开发了一个全面的产量估计模型.
主要成果:
- 实现了92.1%的平均精度 (mAP),模型参数减少了43%,计算效率提高.
- 与YOLOv8相比,在密集的天花板中,遗漏检测率降低了15%.
- 峰值计数回归得出R2=0.88,收益率预测误差低于10%,整体收益率估计准确率为93.5%.
结论:
- 这种基于无人机的智能检测方法显著提高了小麦计数的准确性和效率.
- 这种轻量级且强大的模型为智能农业提供了实用价值,特别是在最佳管理下对产量进行估计.
- 标准化数据采集,轻量化模型设计和现场验证解决了自动化农业监测的关键挑战.
