利用无人机图像检测小麦倒伏类型.docx
智慧农业科研：改进算法，利用无人机图像检测小麦倒伏类型小麦倒伏现象严重影响小麦产量，因此在小麦生长的各个阶段，水肥、翻土等操作都是需要一定的科学性。及时获取小麦倒伏类型，对探讨研究小麦产量与质量具有积极意义。随着无人机、深度学习等技术的发展与应用，在检测小麦倒伏类型方面也取得了一定进展。无人机图像检测小麦倒伏类型为了研究不同类型的小麦倒伏（根部倒伏、茎部倒伏）对产量和质量会产生不同影响，中国农业大学信息与电气工程学院与中国农业大学农业农村部农业信息获取技术重点实验室、北达科他州立大学农业与生物工程系、韩国江原大学生物系统工程系、韩国江原大学智慧农业交叉学科、塔里木大学机械电气化工程学院等高校组成了科研团队，旨在通过无人机图像对小麦倒伏类型进行分类，并探究无人机飞行高度对分类性能的影响。（开始）数据采集（无人机；三个高度）标签数据采集图像自动生成无人机图像数据预处理无人机图像数据自动标号无人机图像数据自动分割模型改进CA注意力机制 损失函数（ 结束 ）该研究设置3个无人机飞行高度（15、45、91m）来获取小麦试验田的图像，并利用自动分割算法生成不同高度的数据集，提出一种EfficientNetVZ-C改进模型对其进行分类识别。模型通过引入CA（CoOrdinateAttentiOn）注意力机制来提升网络特征提取能力，并结合CB-FocaILoss（Class-BalancedFocalLoSS）来解决数据不均衡对模型分类准确度的影响。改进的EfficientNetVZ-C表现最佳，平均准确率达到93.58%。对比未改进的4种机器学习分类模型(支持向量机(SUPPortVeCtorMaChine,SVM)>K最近邻(KNearestNeighbor,KNN)>决策树(DeCiSie)nTree,DT)和朴素贝叶斯(NaiVeBayes,NB)与两种深度学习分奖模型(ReSNetlOl和EfficientNetV2),其中EfficientNetV2在各个高度下表现最优，平均准确率达到82.67%。无人机飞行高度对4种机器学习分类器性能无显著影响，但随飞行高度上升，由于图像特征信息损失，深度学习模型的分类性能下降。iWtMt(a)”m准用半试球曲段W 娄sessyMItKtt(c)45m准确率训练曲线(d)45m搦大品做调练曲线调号就收改进的EffiCientNetV2-C在小麦倒伏类型检测方面取得了较高的准确率，为小麦倒伏预警和农作物管理提供了新的解决方案。（a）茎部倒伏（b）根部倒伏（C）未倒伏（d）茎部倒伏（e）根部倒伏（f）未倒伏小麦是一种“急公好义的作物，会优先为自身生长提供养分，而不是提高结实率。因此，只有通过提高产量才能提高结实率。而高产则需要农民不断地探索和实践,不断改进种植技术，以及选用高产优质品种。例如，采用杂交小麦、超级稻等现代农业技术，可以大大提高小麦的产量。
