会议主办单位：安徽农业大学
会议承办单位：工学院、园艺学院、信息与人工智能学院
会议协办单位：发展规划处、国际交流合作处、研究生院、科技处、安徽智能农机装备工程中心、农业农村部农业传感器重点实验室、安徽省园艺产品品质与采后生物技术“一带一路”国际联合研究中心、智慧农业技术与装备安徽省重点实验室、安徽省农业工程学会
报告地点：图书馆第二报告厅
我此次汇报的主题是基于深度学习的水稻表型高产分蘖智能检测与技术
各位专家老师同学下午好，我是来自安徽农业大学工学院23级农业工程专业的硕士研究生汪苗，我的指导老师是刘路老师，今天我要汇报的主题是基于深度学习的水稻表型高产分蘖智能检测与计数
接下来，我将从以下4各环节进行汇报
1、研究背景与意义
我国是世界上水稻种植面积最大的国家之一，种植面积占全国粮食作物总面积的近30%，同时水稻也是我国的主要粮食作物。从以下两幅图可以看出，近30年中国稻谷总产量和水稻单产整体都保持在较高水平，并且相对稳定，因此对水稻种业的研究在为保障国家粮食安全方面具有极其重要的现实意义。
而分蘖是水稻生长发育过程中的一个重要的农艺性状，分蘖过多或过少都会影响最后的产量，所以控制有效分蘖的数目是提高产量的一个关键因素。
那我们可以了解一下分蘖的过程，分蘖的过程一般包括分蘖芽的起始和分蘖芽的生长，分蘖芽从主茎生长到第三片叶的时候开始发育，当主茎长到第四片叶的时候，会开始出现分蘖，理论上来说每一片叶的腋芽都能形成分蘖，我们也可以从下面这幅图看到，分蘖过程中的一级分蘖、二级分蘖、三级分蘖，所谓的二级分蘖是在一级分蘖的基础上生长的次级分蘖，同理，三级分蘖也是在二级分蘖的基础上进行分枝，最终的有效分蘖会长成结实的穗粒，以上介绍的就是水稻分蘖的主要特点
从前面的介绍来看，我们对于水稻生长分蘖期的研究具有以下重要的意义
首先可以实时监测水稻生长发育的状况，为田间管理提供科学依据，例如施肥、病虫害防治、及时晒田以控制最佳有效分蘖数从而提高水稻最终的产量，起到了一个指导田间管理的作用。
第二，通过分析得到大量的水稻表型数据，可以为育种工作提供数据支持，促进育种目标的高效实现
最后，通过对高产分蘖数量以及植株健康状况等数据进行分析，可以对推广应用的水稻品种质量作出相关评价，能够在农民的生产过程中提供建议
第二部分 研究现状
传统的水稻分蘖检测方法主要是通过人工观察计数，不仅费时费力且会因为各种因素导致检测结果存在较大的误差。随着科技的发展，智能检测技术在农业领域的应用越来越广泛，越来越多的研究者在水稻分蘖上面提出了各种研究方法。
例如，有些研究者曾经利用像这幅图所展示的超导磁体扫描仪获取水稻茎秆的横切面图像，通过分离算法对MRI图像进行处理，并根据形态学参数获取分蘖的数量。可以从这幅图看到分别对多个分蘖和单个分蘖的测量所得到的结果。
还有研究者利用高通量微ct - rgb成像系统，实现高空间分辨率、高通量的自动化、无损水稻分蘖性状表型方法，用于水稻品种的大规模评价
上面的图是测量系统的主要组成和配置，包括x射线源、相机、计算机、PLC等，下面的图是其图像分析的流程，
此外，有研究者提出一种结合主成分分析(PCA)和支持向量机(SVM) (RTR-CPS) 的算法，从这里的图可以看到，利用基于Exg的原理进行分割图像，最后是将水稻分蘖期识别问题表征为水稻进入分蘖期或未进入分蘖期的二元分类问题.
目前，有研究者利用深度学习的技术，选取合适的目标检测网络模型进行优化后去检测收割之后的暴露的水稻茎秆数目去确定有效分蘖的数目
最后，我们来对前面所介绍的几种研究方法做一个简单的总结，
利用磁共振、CT-RGB等这些方法的成本较高，同时也难以应用在复杂的田间环境中
利用PCA和SVM结合分析的方法主要是针对盆栽水稻的图像采集，仅判断水稻是否进入分蘖期，无法观察到水稻分蘖生长的状态，也无法确定有效分蘖的数目
另外，目前所提出的利用目标检测技术的方法主要是针对水稻收割后暴漏的茎秆横截面来确定确定有效分蘖数，如果在水稻生长期分蘖的过程中利用这种方法的话将会是一种有损检测
3、研究内容与方案
以下是我的研究思路，首先确定采集方式，进行图片的采集工作，利用标注软件进行分割标注、划分数据集，再对训练集进行数据增强等预处理
接下来是调研网络模型，搭建训练环境、不同网络训练效果对比、模型优化等处理图像的过程
本研究的数据集图像是在安徽农业大学皖东综合试验站于2024年7.19号至31号期间每隔两天进行一次采集，选取的水稻品种是晨锋优8612、科远一号等推广使用的7个品种。由于田间环境复杂，为了减少背景干扰选择了一块30cm◊40cm的白色背景板垂直放置在单株水稻正后方，采集到的图片例如上图所示展示的这样。
由于天气条件的变化所呈现的效果不同，我们可以从这里的图看到有光线正常、昏暗、以及光照不均匀等一些情况，因此也增加了数据的多样性。
接着是对标注软件进行图像的标注
最后为了提高模型的泛化能力，利用了亮度调整、加噪声、水平翻转以及镜像翻转的随机组合来进行数据增强。
通过前期的网络模型调研，yolo实例分割在很多复杂任务的场景中性能都表现的更为优越
最新发布的yolo11模型相比较于YOLOv8模型，是将其中的一些模块进行了替换，增强了特征提取能力，优化了效率和速度等。
以下三幅图是我分别进行yolov7实例分割、yolov8实例分割以及最新的yolo11实例分割进行训练得到的结果。
利用这三种模型训练的测试结果如左这三幅图所示，其检测和分割效果都表现的不错，但从右边这个表格中的数据来看，yolo11实例分割在recall、map值等指标远远高出其他两个模型
另外，在此之前，尝试了Mask - RCNN网络模型，其测试结果如图所示。可以看出该模型在这个数据集上的验证效果并不理想。同时也突出了YOLO实例分割模型在水稻生长期高产分蘖数目检测的数据集中，能够实现更精确的对象检测。
接下来，从两个方面对测试结果作出分析，第一个分析，对七个不同品种分别计算准确率，可以从表格1看出，在玮两优8612品种上表现最好，准确率达到93.3%，而在晨锋优8612、荃优822两个品种上测试的结果较低
第二个分析，对不同的五个日期计算准确率，可以从表格2看到，在分蘖初期表现最好，准确率达95.23%，而在7.25号和7.28号的准确率较低的原因是这期间有降雨，导致田间的积水较多，影响了图像的采集，而到7.31号时准确率偏低是由于遮挡变多的影响。
另外，存在误差的原因包括主要有，我们可以从下面三幅图看到，有被水淹没茎秆的情况、识别到旁株分蘖的情况、误识别倒影中的分蘖情况
最后，针对现存的这些问题，对未来做出一个展望
首先对多源数据进行整合以扩充数据样本，同时调整网络参数来优化模型，进而提升准确率与计算速度，并增强模型的泛化能力。
2. 能够与田间机器人相结合，实现更好的数据采集方式以及实时检测计数应用的功能。
3. 开发web应用，并通过app在田间应用中实现实时检测计数。
