《Agronomy》:Development of a 2D Image-Based Rice Yield Prediction Framework Using an Image-Based Reconstruction Technique
Daehong Kim,
Hyeongjun Lim and
Sojung Kim
编辑推荐:
亚洲国家占全球稻米消费量的60%以上,正扩大采用基于图像传感器的精准农业技术,以提高水稻生产的盈利能力。这需要开发能够处理可由个体农户获取的二维图像的技术,以取代昂贵的三维扫描仪。本研究旨在利用二维水稻穗部图像,定量提取产量预测所需的籽粒级形态信息。为实现此目
亚洲国家占全球稻米消费量的60%以上,正扩大采用基于图像传感器的精准农业技术,以提高水稻生产的盈利能力。这需要开发能够处理可由个体农户获取的二维图像的技术,以取代昂贵的三维扫描仪。本研究旨在利用二维水稻穗部图像,定量提取产量预测所需的籽粒级形态信息。为实现此目标,研究人员开发了一个基于二维图像预测水稻穗产量的框架,该框架使用卷积神经网络(CNN)检测籽粒。与现有使用游标卡尺或三维扫描仪测量籽粒长度、宽度和厚度以重建三维体积并通过体积-重量关系估算产量因子的方法不同,本研究利用穗长和投影籽粒面积(这些是从二维穗部图像推导出的相对稳定的形态指标)来准确描述同一品种内(例如,淮稻、苏秀、京晶)的重量变异。研究使用在中国江苏省收集的中国粳稻品种穗部图像数据进行了实验。所提出的方法通过结合穗长和投影籽粒面积信息,展示了较高的预测准确性,其决定系数在0.89至0.96之间。
论文解读:基于二维图像的水稻穗产量预测框架研究
一、 研究背景、问题与研究意义
水稻是全球超过50%人口的主食,对粮食安全和农业生产系统至关重要。随着人口增长和饮食结构变化,全球水稻消费量持续增加,但耕地资源有限,且气候变化给生产环境带来不确定性。因此,精准的产量预测技术成为提高生产效率和保障粮食稳定供应的关键技术。
在产量预测实践中,传统依赖历史天气和产量统计的经验或简单回归模型,难以充分反映不同品种和生长阶段对气候响应的差异,导致预测误差增大。水稻产量由复杂的产量构成因子决定,如每穗粒数、籽粒大小、结实率和籽粒在穗内的空间排列等。近年来,高通量表型组学研究利用基于图像的方法直接获取这些形态信息来估算产量。然而,现有的二维图像研究方法主要依赖从单视角图像中推导出的单一形态指标(如投影面积或长度)来估算产量构成。由于水稻穗部结构复杂,籽粒间常存在重叠和遮挡,仅凭单一形态指标难以充分反映穗内实际的籽粒分布和籽粒充实度,这增加了预测对拍摄角度、排列条件和图像分辨率的敏感性,导致产量预测存在不确定性。
为克服二维方法的局限,利用多视角图像、摄影测量、点云、激光雷达和神经辐射场等技术的三维作物表型分析技术被提出。三维方法可以直接恢复籽粒体积、表面积和空间分布等结构性状,提供与穗重和最终产量高度相关的形态指标。但三维重建技术需要多视角拍摄、昂贵的传感器设备和计算资源,其复杂的拍摄条件管理和重建过程限制了其在农业生产现场和大规模数据处理中的实际应用。
为了弥补现有二维方法依赖单一指标的不足,同时避免复杂三维重建的负担,本研究提出了一种替代性框架。该框架旨在不直接进行三维空间结构重建的前提下,通过综合利用包括籽粒数量、穗长和面积在内的复合形态信息,来预测水稻穗产量。这项研究的成果有助于推动更经济、更易部署的精准农业技术发展,为个体农户提供实用的产量评估工具。本研究成果发表在学术期刊《Agronomy》上。
二、 主要技术方法概述
本研究提出的框架包含四个核心模块:
- 1.
数据模块:使用公开的二维水稻穗部图像数据集进行研究。该数据集包含源自中国江苏省淮安市2017年采集的粳稻品种穗部样本,总计1200张高分辨率RGB彩色穗部图像及对应的1198个穗级精度测量数据。样本分为淮稻330、淮稻268、苏稻233、苏稻26、苏秀867和京晶1六个品种组。所有图像使用扫描仪以72 DPI的固定分辨率获取,确保了空间尺度的一致性。数据处理包括图像预处理和使用LabelMe工具对单粒进行边界框标注,以用于后续模型训练。
- 2.
水稻穗检测与二维表面积估算模块:采用YOLOv12目标检测模型识别穗部图像中的单个籽粒位置,并通过边界框数量估算每图像籽粒数。同时,独立地应用基于Otsu算法的二值化图像处理技术,对原图进行灰度转换、阈值分割和形态学操作,以精确计算像素级的投影籽粒面积和估算穗长。
- 3.
单位校正与验证模块:将像素级的形态指标,依据图像分辨率(DPI),通过像素到物理尺度校准程序,转换为实际的物理单位(cm, cm2),确保指标在不同图像间的可比性和定量解释的可靠性。
- 4.
水稻穗重预测模块:使用经过单位校正的形态指标(穗长L、投影籽粒面积A、籽粒数C)作为自变量,以每穗充实粒重G为因变量,为每个品种分别构建多元线性回归模型。通过向后消除法进行变量选择,优化模型,并利用决定系数R2、平均绝对误差(MAE)、均方根误差(RMSE)和平均绝对百分比误差(MAPE)等指标评估模型预测性能。
三、 研究结果
3.1. 籽粒检测性能
研究人员评估了YOLOv12模型在检测密集分布的水稻籽粒方面的性能,并与YOLOv5、YOLOv8、YOLOv10以及Faster R-CNN、RetinaNet、SSD等基线模型进行了比较。评估指标包括精确率、召回率、平均精度均值(mAP@0.5)和F1分数。结果表明,YOLOv12取得了最高的召回率(0.921)和F1分数(0.903),相较于YOLOv8,召回率提升了约5.5%。尽管YOLOv12的训练时间最长,但其在减少小目标漏检方面的优势对于后续精确计数至关重要。在与CNN基线模型的比较中,YOLO系列模型在密集小目标检测场景下展现出更优的召回率。基于YOLOv12的检测结果进行籽粒数量预测,与数据集中真实籽粒数相比,决定系数R2达到0.95,MAE和RMSE分别为4.68和6.24,证明了检测模型在籽粒定位和图像级计数方面的定量可靠性。
3.2. 像素到物理尺度校准的性能
研究评估了通过Otsu二值化和单位校正得到的投影籽粒面积指标的定量准确性。将图像估算的面积值与实测面积值进行比较。结果显示,所有品种的R2均在0.98以上,表明图像衍生的投影面积指标能够解释实测面积的大部分变异,且品种间偏差有限。平均绝对误差(MAE)在不同品种间存在差异,范围在0.24(淮稻)到0.54(京晶)之间。平均绝对百分比误差(MAPE)也保持在较低水平,但苏秀品种的相对误差最高(5.10)。总体而言,该面积指标满足了跨品种可比性和重现性要求,具备作为穗长估算和穗重预测模型输入变量的定量可靠性。
3.3. 基于形态指标的穗级籽粒重量重建
本研究通过线性回归分析了经验证的穗部形态指标与每穗充实粒重之间的关系。针对每个品种,使用随机抽样划分训练集和测试集,评估了包含全部三个变量(穗长L、投影面积A、籽粒数C)的完整模型以及经过变量筛选的简化模型。变量筛选采用向后消除法,剔除p值大于0.05的变量。
- •
完整模型分析:在完整模型中,不同品种的变量显著性不同。对于淮稻,三个变量均具有统计显著性;对于苏稻和苏秀,穗长不显著;对于京晶,仅投影面积显著。完整模型的预测性能(R2)在品种间从0.89到0.96不等。
- •
简化模型构建与性能:通过向后消除,得到了品种特异性的简化模型。淮稻的最终模型保留了穗长和籽粒数(R2= 0.84)。苏稻和苏秀的最终模型保留了投影面积和籽粒数(R2均为0.96)。京晶的最终模型仅保留投影面积作为单一变量(R2= 0.92)。简化过程在维持模型解释力的前提下,实现了模型的简约化,表明不同形态指标对粒重的贡献具有品种特异性。
四、 讨论与结论
讨论部分总结:本研究评估了所提出的二维图像框架在水稻穗产量估算中的性能。该框架包含基于深度学习的籽粒检测、基于图像处理的形态指标提取和基于回归的粒重预测三个分析部分。实验结果表明,该方法能有效地从二维图像中提取穗部形态特征,并用于穗级粒重估算,而无需复杂的三维重建。
- •
籽粒检测:YOLOv12在检测密集籽粒方面表现优异,高召回率对减少计数误差至关重要。尽管其训练时间较长,但考虑到其在农业应用中的离线训练特性以及高召回率带来的准确性提升,这种权衡是合理且经济可行的。
- •
形态指标与回归预测:回归分析表明,穗部形态指标能够解释充实粒重的变异。但预测变量的统计显著性因品种而异,这强调了建立品种特异性模型的必要性。例如,京晶品种仅需投影面积即可达到较高的预测精度。研究还将穗级预测模型外推至田间尺度进行了示例性估算,展示了其应用潜力。
- •
局限性与未来方向:本研究的框架基于扫描仪获取的受控环境数据集进行验证,光照和角度变化最小化。然而,精准农业实际应用于多变田间环境,扫描仪模型在实时田间监测中的直接效用有限。此外,Otsu阈值法可能对田间多变光照条件敏感。本研究聚焦于成熟的收获后样本,其形态反映了最终生长结果。未来研究可扩展该框架,例如结合自适应二值化或基于深度学习的语义分割方法,在更广泛的环境条件下进行验证,并整合多视角图像、时序生长观测或环境变量,以进一步提升预测鲁棒性,支持实用精准农业系统的发展。
研究结论翻译:本研究提出了一种基于二维图像的水稻穗级充实粒重估算框架,该框架利用基于深度学习的籽粒检测、基于图像处理的形态指标提取和基于回归的建模。所提出的方法从二维图像中提取关键的穗部性状,包括籽粒数、投影籽粒面积和穗长,并用其估算充实粒重。
实验结果表明,YOLOv12在密集分布的穗部图像中提供了稳定的籽粒检测性能,召回率达到0.921,F1分数为0.903。该模型减少了密集籽粒对象的漏检,支持可靠的籽粒计数。检测输出能够实现准确的籽粒数估算,R2为0.95。此外,穗长可从二维图像中提取,无需手动测量。基于二值化的形态分析结合像素到物理尺度校准,提供了一致的投影籽粒面积测量值,各品种的R2均超过0.98。利用这些形态指标,回归模型的决定系数R2在0.89至0.97之间,具体因品种而异。结果表明,单个预测变量的贡献因品种而异,表明模型结构应针对每个品种单独定义。