基于双解码机制的田间玉米冠层图像分割及昼夜节律解析  

Field maize canopy image segmentation and circadian rhythms analysis based on double decoding mechanism

作　　者：贾海峰 王廷超 洪小丽 舒坤良[2] 黄帅 谭化[2] Jia Haifeng

机构地区：[1]吉林省教育学院网络安全与信息化建设办公室,吉林长春130000 [2]吉林省农业科学院农业经济与信息研究所,吉林长春130033

出　　处：《江苏农业科学》2023年第24期184-189,共6页Jiangsu Agricultural Sciences

基　　金：吉林省科技发展计划(编号:20200402003NC);吉林省农业科技创新工程项目(编号:CXGC2021TD019);吉林省农业科学院创新工程项目(编号:CXGC2023DX006)。

摘　　要：田间作物生长动态监测一直是农业研究的重要方向之一,实时动态监测能够为指导农业生产提供数据支撑。但是传统长势监测方法多用于白天而忽略了夜间作物的生长状态,无法充分满足对作物生长全过程实时准确的监测需求。为了更精确地了解玉米作物的生长全过程,探究玉米作物的产量潜力,实现对田间玉米作物昼夜生长动态监测,提出了一种适用于日间和夜间的田间作物图像分割网络(day-night crop segmentation network,DNCSN),该方法综合利用迁移学习和双解码器注意力机制,实现了对昼夜时序图像数据中玉米作物冠层的准确分割。结果表明,本研究提出的DNSCN模型与对比模型相比,具有更高的分割精度(P=0.9427,R=0.9106,F=0.9263)和更好的稳定性。最后,本研究以玉米作物为试验样本,使用提出的DNSCN模型对田间玉米时序图像进行了分析,发现日间整体增长速率呈下降趋势,而夜间则存在快速增长阶段,在02:00时玉米冠层增长达到最大值,夜间玉米冠层增长速率明显大于日间。本研究提出的DNSCN模型可为实现作物昼夜生长实时动态监测提供有效方法。

关 键 词：玉米 深度学习 图像分割 夜间图像 动态监测 

分 类 号：S126[农业科学—农业基础科学] TP391.41[自动化与计算机技术—计算机应用技术]