陈鹏教授等：用于小麦多生长阶段倒伏界限精准检测的分层交互特征金字塔网络（《智慧农业（中英文）》2024年第2期）（农业资讯）小麦倒伏现象，

引用格式

引用格式:庞春晖, 陈鹏, 夏懿, 章军, 王兵, 邹岩, 陈天娇, 康辰瑞, 梁栋. 用于小麦多生长阶段倒伏界限精准检测的分层交互特征金字塔网络[J]. 智慧农业(中英文), 2024, 6(2): 128-139.

DOI：10.12133/j.smartag.SA202310002

Citation：PANG Chunhui, CHEN Peng, XIA Yi, ZHANG Jun, WANG Bing, ZOU Yan, CHEN Tianjiao, KANG Chenrui, LIANG Dong. HI-FPN: A Hierarchical Interactive Feature Pyramid Network for Accurate Wheat Lodging Localization Across Multiple Growth Periods[J]. Smart Agriculture, 2024, 6(2): 128-139.

DOI：10.12133/j.smartag.SA202310002

官网全文免费阅读

知网阅读

用于小麦多生长阶段倒伏界限精准

检测的分层交互特征金字塔网络

庞春晖1，6，7， 陈鹏1，6，7*， 夏懿1， 章军1， 王兵2， 邹岩3，4， 陈天娇3，4， 康辰瑞3，5， 梁栋1*

（1.安徽大学农业生态大数据分析与应用技术国家地方联合工程研究中心/信息质料与智能感知安徽省实验室/安徽大学互联网学院，安徽合肥230601，中国；2.安徽财经大学 管理科学与工程学院，安徽蚌埠 233030，中国；3.中国科学院合肥物质科学院智能机械研究所，安徽合肥230031，中国；4.中国科学技术大学，安徽合肥 230031，中国；5.西南科技大学，四川绵阳 621010，中国；6.农业传感器与智能感知安徽省技术创新中心，中科合肥智慧农业协同创新研究院，安徽合肥 231131，中国；7.安徽鹏视智能科技有限公司，安徽合肥230000，中国）

摘要：

［目的/意义］传统的小麦倒伏检测方法需要人工进行田间观测和记录，这种方法存在主观、效率低、劳动强度大等问题，难以满足大规模的小麦倒伏检测的需求。基于深度学习的小麦倒伏检测技术虽已在一定水平上得到应用，但普遍局限于对小麦单一发育阶段的倒伏识别，而倒伏可能发生在小麦生长的各个时期，差别时期倒伏特征变革复杂，这给模型特征捕获能力带来考验。本研究旨在探索一种基于深度学习技术的多生育期小麦倒伏区域检测方法。

［方法］用无人机收罗小麦灌浆期、早熟期、晚熟期这三个关键生长阶段的RGB图像，通过数据增强等技术构建出多生育期小麦倒伏数据集。提出一种小麦倒伏提取模型Lodging2Former，该模型在Mask2Former的基础上加以改进，引入分层交互式特征金字塔网络（Hierarchical Interactive Feature Pyramid Network, HI-FPN ），用于提高模型在复杂田间配景干扰下对于多个生长阶段小麦倒伏特征的捕获能力。

［结果和讨论］所提出的Lodging2Former模型相较于现存的多种主流算法，如Mask R-CNN （Mask Region-Based Convolutional Neural Network）、SOLOv2（Segmenting Objects by Locations, Version 2）以及Mask2Former，在平均精度均值（mean Average Precision, mAP）上展现出显著优势。在阈值分别为0.5、0.75以及0.5~0.95的条件下，模型的mAP值分别到达了79.5%、40.2%和43.4%，相比Mask2Former模型，mAP性能提升了1.3%~4.3%。

［结论］提出的HI-FPN网络可以有效利用图像中的上下文语义和细节信息，通过提取丰富的多标准特征，增强了模型对小麦在差别生长阶段倒伏区域的检测能力，证实了HI-FPN在多生育期小麦倒伏检测中的应用潜力和价值。

关键词：无人机；深度学习；小麦倒伏检测；特征金字塔网络；Mask2Former

文章图片

Fig. 1 Visualization of Mask R-CNN detection results for wheat lodging in UAV images during the grain filling stage

Fig. 2 The captured visible light images of the three growth stages by drone

Fig. 3 Data augmentation using the grain-filling period image as an example

Fig. 4 The overall flowchart of the proposed Lodging2Former method

Fig. 5 Illustration of the fusion refine model （FRM）

Fig. 6 Mask images of wheat lodging at three growth stages

Fig. 7 Comparison of Loss Curves between the Mask2Former model and the Lodging2Former model

Fig. 8 Comparison of mAP Curves between the Mask2Former model and the Lodging2Former model

Fig. 9 Visualization results of wheat lodging detection sampling tests at different growth stages using different methods

Fig. 10 Visualization of prediction results for wheat lodging detection using the Lodging2Former on publicly available datasets

作者简介

陈鹏 教授

陈鹏，教授，安徽大学互联网学院教授、博士、博士生导师、大数据系主任，九三学社社员。中科院合肥智能机械研究所客座教授，农业生态大数据分析与应用技术国家地方联合工程研究中心副主任，中科合肥智慧农业协同创新研究院大数据首席科学家。入选2017年度安徽省人社厅留学归国人员创新创业扶持计划（重点计划）。在国际重要刊物上发表了SCI/EI收录的论文100多篇，授权国家专利6项。主持了3项国家自然科学基金，主持和到场了国家自然科学基金、国家科技支撑计划、863计划等国家级、省部级项目10余项。别的，还担当数个国际杂志的编辑委员会委员。

梁栋 教授梁栋，博士，二级教授，博士生导师。现任互联网学院院长、教育部电能质量工程研究中心副主任、农业生态大数据分析与应用技术国家地方联合工程研究中心主任、安徽大学智慧农业院士工作站负责人、农业物联网财产技术创新战略联盟常务理事、安徽省软件行业协会常务理事、安徽省电子商务学会常务理事、安徽省电子学会常务理事、中国图象图形学学会理事等。恒久从事计算机视觉与模式识别、信号处置惩罚与智能系统等方面的教学和科研工作；主持国家及省部级项目40余项；发表学术论文150余篇，其中SCI、EI收录80余篇，出书普通高等教育“十二五”规划教材1部，主讲的《C语言步伐设计》课程被评为安徽省省级本科精品课程，授权国家发明专利3项；荣获安徽省科学技术一等奖1项、三等奖3项；先后被评为安徽省学术与技术带头人、安徽省高等学校中青年骨干教师培养对象、安徽省高校中青年学科带头人培养对象。

来源：《智慧农业（中英文）》2024年第2期

转载请联系编辑部授权

本期支持单元

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、单元、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、创新科研结果及相关活动等信息。