利用高通量地面机器人视频进行稳健的大豆种子产量估算

我们提出了一种新颖的大豆(Glycine max (L.) Merr.)产量估算方法，该方法通过计算机视觉和深度学习技术实现高通量种子计数。传统的产量数据收集方法劳动密集、成本高昂，在关键数据收集时间容易出现设备故障，并且需要跨田间地点运输设备。计算机视觉，即教导计算机解释视觉数据的领域，使我们能够直接从图像中提取详细的产量信息。通过将其视为计算机视觉任务，我们报告了一种更高效的替代方案，采用配备鱼眼相机的地面机器人捕获大豆试验田的全面视频，并从不同开发程序中提取图像。这些图像通过P2PNet-Yield模型进行处理，这是一个深度学习框架，我们结合了特征提取模块(P2PNet-Soy的主干网络)和产量回归模块来估算大豆试验田的种子产量。我们的结果基于三年的产量测试地块数据——2021年8500个、2022年2275个和2023年650个。利用这些数据集，我们的方法结合了多项创新，以进一步提高种子计数和产量估算架构的准确性和泛化能力，例如鱼眼图像校正和带有随机传感器效应的数据增强。P2PNet-Yield模型实现了高达83%的基因型排名准确率。与传统的产量估算相比，它展示了在收集产量数据的时间以及相关成本上高达32%的减少，为育种计划和农业生产力提升提供了一种可扩展的解决方案。