從麥田圖像中檢測和表征穗子對于精確農業的小麥生長監測至關重要。隨著各種技術的發展，基于深度學習的方法已經顯著地提高了小麥穗的檢測性能。然而，由于田間小麥高穗遮擋和復雜背景會導致錯檢和漏檢的問題，在無人機圖像中檢測小的和重疊的小麥穗仍具有挑戰性。本文提出了一種用于定向小尺寸小麥穗檢測的深度學習方法（OSWSDet）。與經典的小麥穗粒檢測方法不同，OSWSDet通過集成圓形平滑標簽（CSL）和微尺度檢測層，將小麥穗粒的方向引入YOLO框架。這些改進提高了檢測小尺寸麥穗的能力，防止了麥穗檢測錯誤。實驗結果表明，OSWSDet優于經典的麥穗檢測方法，平均精度（AP）為90.5%。OSWSDet能夠準確地檢測出具有復雜田間背景的無人機圖像中的麥穗，為今后田間小麥表型監測提供了技術參考。 

圖1 實驗地點和無人機的麥穗圖像。(a)清晰的圖像，(b)模糊的圖像，(c)人工標注的圖像。

圖2 OSWSDet 的總體框架。紅色標簽是OSWSDet中提出的改進，包括 CSL（圓形平滑標簽）、微尺度檢測層、基于 CIoU（Complete Intersection over Union）和 RNMS（Rotation Non-Maximum Suppression）的優化定位損失。

圖3 據增強：（a）原始圖像，（b）旋轉90°，（c）旋轉180°，（d）旋轉270°，（e）垂直翻轉，（f）水平翻轉，（g）和（h）亮度平衡。

圖4 兩個定向檢測框的 WIoU 計算。左圖顯示了小麥穗的定向檢測框，右邊的6幅圖像顯示了兩個重疊框之間重疊區域的形狀。根據形狀的不同，兩個重疊框有6種不同類型的黃色相交圖，可以用三角形的面積來計算WIoU：（a）相交圖是三角形，（b）相交圖是四邊形，（c）相交圖是五邊形，（d）相交圖是六邊形，（e）相交圖是七邊形，（f）相交圖是八邊形。

圖5 所提方法和其他最先進方法的小麥穗子檢測的精確性和召回率曲線。

圖6圖像上標注的真實穗子數量與Faster RCNN、SSD、standard YOLOv5、standard YOLOv5with micro-sclae layer、standard YOLOv5with micro-sclae layer and CIoU以及OSWSDet估計的穗子數量的比較。

圖7 角度等級的小麥穗數從0到179，具有100個以上小麥穗的類標有特定編號。

圖8使用OSWSDet（a）和標準YOLOv5（b）的檢測結果。紅色邊框代表檢測結果。

圖9使用CSL（a）和無CSL（b）角度分類的模型檢測結果。紅色邊框表示檢測結果。

圖10 不同大小的穗子的數量分布。

圖11在訓練過程中，用微尺度檢測層（a）、小尺度檢測層（b）、中尺度檢測層（c）和大尺度檢測層（d）實現的正樣本邊界框和麥穗邊界框。正樣本邊界框（淺藍色）。小麥穗的邊界框（粉紅色）。

圖12使用CIoU進行定位損失的模型的檢測結果（a）和使用IoU進行定位損失的檢測結果（b）。紅色邊框代表檢測結果。

來源

Zhao J, Yan J, Xue T, et al. A deep learning method for oriented and small wheat spike detection (OSWSDet) in UAV images[J]. Computers and Electronics in Agriculture, 2022, 198: 107087.https://doi.org/10.1016/j.compag.2022.107087