農(nóng)業(yè)科研：無人機圖像檢測小麥倒伏類型

小麥倒伏現(xiàn)象嚴重影響小麥產(chǎn)量，因此在小麥生長的各個階段，水肥、翻土等操作都是需要一定的科學性。及時獲取小麥倒伏類型，對探討研究小麥產(chǎn)量與質量具有積極意義。隨著無人機、深度學習等技術的發(fā)展與應用，在檢測小麥倒伏類型方面也取得了一定進展。

為了研究不同類型的小麥倒伏(根部倒伏、莖部倒伏)對產(chǎn)量和質量會產(chǎn)生不同影響，中國農(nóng)業(yè)大學信息與電氣工程學院與中國農(nóng)業(yè)大學農(nóng)業(yè)農(nóng)村部農(nóng)業(yè)信息獲取技術重點實驗室、北達科他州立大學農(nóng)業(yè)與生物工程系、韓國江原大學生物系統(tǒng)工程系、韓國江原大學智慧農(nóng)業(yè)交叉學科、塔里木大學機械電氣化工程學院等高校組成了科研團隊，旨在通過無人機圖像對小麥倒伏類型進行分類，并探究無人機飛行高度對分類性能的影響。

該研究設置3個無人機飛行高度(15、45、91 m)來獲取小麥試驗田的圖像，并利用自動分割算法生成不同高度的數(shù)據(jù)集，提出一種EfficientNetV2-C改進模型對其進行分類識別。模型通過引入CA(Coordinate Attention)注意力機制來提升網(wǎng)絡特征提取能力，并結合CB-Focal Loss(Class–Balanced Focal Loss)來解決數(shù)據(jù)不均衡對模型分類準確度的影響。

改進的EfficientNetV2-C表現(xiàn)最佳，平均準確率達到93.58%。對比未改進的4種機器學習分類模型(支持向量機(Support Vector Machine，SVM)、K最近鄰(K Nearest Neighbor，KNN)、決策樹(Decision Tree，DT)和樸素貝葉斯(Naive Bayes，NB))與兩種深度學習分類模型(ResNet101和EfficientNetV2)，其中EfficientNetV2在各個高度下表現(xiàn)最優(yōu)，平均準確率達到82.67%。無人機飛行高度對4種機器學習分類器性能無顯著影響，但隨飛行高度上升，由于圖像特征信息損失，深度學習模型的分類性能下降。

改進的EfficientNetV2-C在小麥倒伏類型檢測方面取得了較高的準確率，為小麥倒伏預警和農(nóng)作物管理提供了新的解決方案。

小麥是一種“急公好義”的作物，會優(yōu)先為自身生長提供養(yǎng)分，而不是提高結實率。因此，只有通過提高產(chǎn)量才能提高結實率。而高產(chǎn)則需要農(nóng)民不斷地探索和實踐，不斷改進種植技術，以及選用高產(chǎn)優(yōu)質品種。例如，采用雜交小麥、超級稻等現(xiàn)代農(nóng)業(yè)技術，可以大大提高小麥的產(chǎn)量。

審核編輯 黃宇