基于深度学习的玉米植株表型检测方法研究 .pdfVIP

—１６５—

杨琳琳，别书凡，王建坤，等．基于深度学习的玉米植株表型检测方法研究［Ｊ］．江苏农业科学，２０２３，５１（１９）：１６５－１７２．

ｄｏｉ：１０．１５８８９／ｊ．ｉｓｓｎ．１００２－１３０２．２０２３．１９．０２５

基于深度学习的玉米植株表型检测方法研究

１，２１１１１１，２１

杨琳琳，别书凡，王建坤，皇甫懿，刘焱，李文峰，施杰

（１．云南农业大学机电工程学院，云南昆明６５０２０１；２．云南省作物模拟与智能调控重点实验室，云南昆明６５０２０１）

摘要：为了实现单株玉米植株表型的快速无损检测，提出了一种基于深度学习的玉米植株表型检测方法。采集玉

米植株表型数据集（包含多视角玉米植株图像和人工测量的鲜质量、干质量、叶面积表型数据），采用大步距卷积、

ｒｅｓｉｚｅ降尺寸和大步距池化层降采样３种方法进行图像降采样，减少了模型计算消耗的资源，降低了图像的尺寸，并对

比普通卷积、深度卷积、深度可分离卷积３种卷积的效果。改进了均方误差（ＭＳＥ）和平均绝对误差（ＭＡＥ），对不同数

据量的样本区间给予不同的权重，解决了小型数据集存在的数据不均衡问题。在对比试验中，首先构建鲜质量表型检

测模型，然后将表现较好的模型在干质量与叶面积模型中试验，筛选出对应的最优模型。结果显示，基于深度卷积和

Ｂ－ＭＳＥ损失函数的模型在玉米植株鲜质量、干质量、叶面积上的效果都最优。其中，深度卷积的效果最好。改进后

２

的Ｂ－ＭＳＥ和Ｂ－ＭＡＥ在玉米鲜质量３个模型测试集上的相关系数ｒ均达到了０．９８以上，确定系数Ｒ均达到了

０９７以上，平均绝对百分比误差ＭＡＰＥ均在３．２％以内，在干质量与叶面积模型上也提高了测试集上的相关系数ｒ和

２

确定系数Ｒ，并且降低了ＭＡＰＥ。

关键词：玉米；植株表型；深度学习；数据不均衡；无损检测

中图分类号：Ｓ１２６；ＴＰ３９１．４１文献标志码：Ａ文章编号：１００２－１３０２（２０２３）１９－０１６５－０８

玉米是世界上重要的粮食作物，其营养价值较近年来，植物表型组学逐渐兴起并成为一门快

高，同时，玉米也是食品、轻工业、化工业等产业不速发展的数据密集型学科［３－４］。借助机器视觉技

可或缺的原料之一。玉米长势会直接影响到其产术、图像分割和深度学习等技术来准确地对植物的

量和品质，有效地监测玉米长势可以为田间管理、重要特征进行采集和分析，是育种和生产过程管理

早期产量估算提供宏观的信息，为国家和相关部门的重要技术手段［５］。玉米的表型信息能直观地描

决策提供重要的参考依据，因此玉米长势监测研究述玉米长势，传统的植物表型研究主要依靠人工观

具有重要的现实意义［１－２］。察和测量得到，这种方法往往依赖于手动检测小样

本的个别性状，能够得到的数据量非常有限，并且

难以对植物的多种性状进行综合分析，也容易引入

收稿日期：２０２３－０４－２７

基金项目：国家自然科学基金（编号３２１６０４２０）；云南省重人为因素导致的测量数据误差［６－７］。因此，需要一

大科技专项（编号：２０２２０２ＡＥ０９００２１）。种新型玉米表型检测方法，能快速、无损、准确地获

作者简介：杨琳琳（１９７９—），女，山东寿光人，博士，副教授，研究方向