知网阅读

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剖析与运用技能国家地方联合工程研究中央/信息材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器研究所，安徽合肥230031，中国；4.中国科学技能大学，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能创新中央，中科合肥聪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）

择要：

［目的/意义］传统的小麦倒伏检测方法须要人工进行田间不雅观测和记录，这种方法存在主不雅观、效率低、劳动强度大等问题，难以知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能虽已在一定程度上得到运用，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成长的各个期间，不同期间倒伏特色变革繁芜，这给模型特色捕捉能力带来磨练。
本研究旨在探索一种基于深度学习技能的多生养期小麦倒伏区域检测方法。

［方法］用无人机采集小麦灌浆期、早熟期、晚熟期这三个关键成长阶段的RGB图像，通过数据增强等技能构建出多生养期小麦倒伏数据集。
提出一种小麦倒伏提取模型Lodging2Former，该模型在Mask2Former的根本上加以改进，引入分层交互式特色金字塔网络（Hierarchical Interactive Feature Pyramid Network, HI-FPN ），用于提高模型在繁芜田间背景滋扰下对付多个成长阶段小麦倒伏特色的捕捉能力。

［结果和谈论］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，在均匀精度均值（mean Average Precision, mAP）上展现出显著上风。
在阈值分别为0.5、0.75以及0.5~0.95的条件下，模型的mAP值分别达到了79.5%、40.2%和43.4%，比较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高下文语义和细节信息，通过提取丰富的多尺度特色，增强了模型对小麦在不同成长阶段倒伏区域的检测能力，证明了HI-FPN在多生养期小麦倒伏检测中的运用潜力和代价。

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

Fig. 4 The overall flowchart of the proposed Lodging2Former method

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