PART/1

摘要

在本研究中，研究者提出了一種有效的深度卷積神經網絡(DCNN)結構，利用手持照相機拍攝的照片來檢測水稻的生長階段(DVS)。用不同的策略對DCNN模型進行了訓練，并與傳統的時間序列Green chromatic coordinate (time-series Gcc)方法和手工提取的特征組合支持向量機(MF-SVM)方法進行了比較。此外，還研究了不同角度的圖像、模型訓練策略和對DCNN模型預測的解釋。利用所提出的兩步微調策略訓練的DCNN模型得到了最優結果，整體精度為0.913，低平均絕對誤差為0.090。

結果表明，以大角度拍攝的圖像包含更有價值的信息，使用多角度拍攝的圖像可以進一步提高模型的性能。兩步微調策略極大地提高了模型對視角隨機性的魯棒性。解釋結果表明，從圖像中提取生物氣候學相關特征是可能的。本研究提供了一種生物氣候學檢測方法來實時利用手持照相機圖像，并對在現實場景中使用深度學習有了一些重要的見解。

PART/2

相關背景

本研究的假設是，作物表型的特征可以通過分析圖像被機器學習捕捉到，而傳統上可以通過觀察被農業專家識別。然而，對作物生物氣候學檢測的深度學習研究仍然非常有限。Yalcin（Plant phenology recognition using deep learning: Deep-pheno. In 2017 The sixth international conference on agro-geoinformatics (pp. 1–5). https://doi.org/10.1109/Agro-Geoin formatics.2017.8046996）應用DCNN，使用固定角圖像對生長階段進行分類。Bai等人（Rice heading stage automatic observation by multi-classifier cascade based rice spike detection method. Agricultural and Forest Meteorology, 259, 21360–270. https://doi.org/10.1016/j.agrformet.2018.05.001）使用支持向量機和DCNN來區分水稻穗的圖像斑塊。檢測到的穗狀斑塊的數量決定了水稻的走向階段。

以上兩項研究集中在固定的角度和位置的圖像上，而小農戶可以以隨機的角度和位置拍攝圖像。為了方便處理這些隨機圖像，有必要開發一種通用的方法。從多個角度拍攝的圖像中提取最大的生物氣候學信息將是很吸引人的。還需要一種通過降低圖像視角不確定性的影響的訓練策略來提高深度學習方法的性能。

PART/3

研究地域

實驗地域（23° 5′ 52″–23° 7′ 23″ N, 108° 57′ 7″–108° 58′ 34″ E）位于中國廣西賓陽縣。該地區的160公頃土地被劃分為800多個地塊，由當地農民管理。該地區的年平均降水量約為1600毫米，平均氣溫為21°C。隨機選取70塊地塊，利用管理的12塊地塊進行分析。

PART/4

研究框架

Data collection and processing

為了利用在不同視角度拍攝的圖像進行現象學識別，選擇了攝影方向和重力方向之間的四個垂直方向：0°(A)、20°(B)、40°(C)和60°(D)，如下圖a。

在研究區域，大部分地塊通過鉆機移植。當在播種方向拍攝圖像時，兩排水稻之間的土壤會被很好地捕捉到，而在其他方向，圖像捕捉到的土壤會較少。攝影方向和播種方向之間的三個水平方向（分別為0°(a)、45°(b)和90°(c)，以避免鉆孔的影響（如圖b)）。每次觀察都拍攝了12張照片，并在距地面1.5米處大致手工控制視角。當地農民對70塊地的圖像采集被部署了7次。構建了一個具有622個觀測結果的數據集，其中包含7464個圖像，并使用其中7320個進行分析。其他的圖像的質量很差，無法使用。根據DVS將610項觀察結果分為10組，每組進一步分為訓練（60%）、驗證（20%）和測試（20%）組。

Data augmentation

數據增廣的策略

The cropping scheme of three datasets

上圖顯示從原始圖像裁剪的圖像塊。裁剪后，數據集的結果分布比原始分布更均勻。

Deep convolutional neural network approach

PART/5

實驗結果

上表是time-series-Gcc方法的ACC/MAE。

(a) Confusion matrix yielded by the Bb set; (b) confusion matrix yielded by the Dc set.

MF-SVM方法的ACC/MAE。

a–d are resultsyielded by18 features from one channel, 54 features from 3 channels, 108 features from 6 channels, and 270features from 15 channels, respectively.

上圖中的A, B, C, D分別表示0°, 20°, 40°和60°。

不同拍攝角度的照片比較

最終結果：

審核編輯：劉清