面向真實世界的番茄植株葉片健康和果實監測輕量算法研究
溫室內果蔬生長過程的在線監測是設施智能化生產的重要組成部分。然而，受設施環境下種植密度高、基礎設施遮擋和光線變化等復雜影響，以機器視覺為代表的AI技術無法對種植植株實現快速有效的評估，成為落地應用難點。
2024年4月，Plant Phenomics在線發表了加拿大麥吉爾大學和江蘇省農科院合作完成的題為Toward Real Scenery: A Lightweight Tomato Growth Inspection Algorithm for Leaf Disease Detection and Fruit Counting的研究論文。
本研究提出了一種可以同時集成番茄葉片監測和果實跟蹤計數的算法，能夠部署在巡檢機器人實現植株生長的連續監測。在這項研究中，研究人員首先采用帶有智能手機攝像頭的自主運動機器人來收集現實世界中溫室中葉病和果實的圖像。然后，通過整合 Ghost 和 CBAM 模塊改進了深度學習網絡 YOLO-TGI，該模塊與 YOLOX 和 NanoDet 等頂級輕量級檢測模型一起進行了訓練和測試，用于評估葉子健康狀況。
Fig. 1. The image acquisition process in a tomato field.
為了解決實時檢測時葉片對于果實的遮擋和果實追蹤的遺漏問題，論文改進了目標檢測和重新追蹤識別的策略。具體的是，添加CBAM模塊賦予YOLO-TGI網絡自主聚焦和放大相關特征的能力。這種注意力驅動的方法提高了網絡識別和優先考慮目標關鍵方面的能力，即使在有障礙物的復雜視覺環境中也是如此。自適應機制使YOLO-TGI能夠突出部分遮擋物體的關鍵特征，從而有效解決部分被樹葉遮擋的場景下的果實檢測問題。另外，為了與各種基礎檢測器級聯，作者集成了最先進的跟蹤器，例如 Byte-Track、Motpy 和 FairMot，以實現視頻流中的水果計數。
Fig. 6. Scattering plot of predictions and ground truth for various detector-trackers and instances of tracking failures.
本研究展示了最新的基礎檢測算法和追蹤算法集成后在真實世界的溫室種植場景的應用潛力。作者提供了部分源碼，使得該類集成框架能夠推廣到廣泛種植的水果和蔬菜（如蘋果、橙子、葡萄和草莓）的類似監測任務中。
論文鏈接：
https://doi.org/10.34133/plantphenomics.0174
——推薦閱讀——
https://doi.org/10.34133/plantphenomics.0146
Plant Phenomics | 東京大學利用高光譜圖像預測番茄葉片中元素含量的多目標回歸方法
https://doi.org/10.34133/plantphenomics.0157
Plant Phenomics | 利用偏振測量法減輕高光譜成像中的光照、葉片和視角依賴性
加入作者交流群
掃碼添加小編微信，拉您進入《植物表型組學》作者交流群，群內不定期開展作者分享會、專刊發布會等高質量活動。
添加小編微信，備注姓名+單位+PP，加入作者交流群
About Plant Phenomics
《植物表型組學》（Plant Phenomics）是由南京農業大學和美國科學促進會（AAAS）合作創辦的英文學術期刊，于2019年1月正式上線發行。采用開放獲取形式，刊載植物表型組學交叉學科熱點領域具有突破性科研進展的原創性研究論文、綜述、數據集和觀點。具體范圍涵蓋高通量表型分析的最新技術，基于圖像分析和機器學習的表型分析研究，提取表型信息的新算法，作物栽培、植物育種和農業實踐中的表型組學新應用，與植物表型相結合的分子生物學、植物生理學、統計學、作物模型和其他組學研究，表型組學相關的植物生物學等。期刊已被DOAJ、Scopus、PMC、EI和SCIE等數據庫收錄。科睿唯安JCR2022影響因子為6.5，位于農藝學、植物科學、遙感一區。2023年中科院期刊分區位于農林科學大類一區。2020年入選中國科技期刊卓越行動計劃高起點新刊項目、2024年入選江蘇科技期刊卓越行動計劃領軍期刊項目。
說明：本文由《植物表型組學》編輯部負責組稿。
中文內容僅供參考，一切內容以英文原版為準。
排版：陳思潔（昆山杜克大學）
審核：孔敏、王平
