文献类型： 中文期刊

作者： 贾海峰 ¹ ; 王廷超 ² ; 洪小丽 ² ; 舒坤良 ² ; 黄帅 ² ; 谭化 ² ;

作者机构： 1.吉林省教育学院网络安全与信息化建设办公室

2.吉林省农业科学院农业经济与信息研究所

关键词： 玉米;深度学习;图像分割;夜间图像;动态监测

期刊名称： 江苏农业科学

ISSN：

年卷期： 2023 年 024 期

页码： 184-189

收录情况： 北大核心

摘要： 田间作物生长动态监测一直是农业研究的重要方向之一，实时动态监测能够为指导农业生产提供数据支撑。但是传统长势监测方法多用于白天而忽略了夜间作物的生长状态，无法充分满足对作物生长全过程实时准确的监测需求。为了更精确地了解玉米作物的生长全过程，探究玉米作物的产量潜力，实现对田间玉米作物昼夜生长动态监测，提出了一种适用于日间和夜间的田间作物图像分割网络（day-night crop segmentation network, DNCSN）,该方法综合利用迁移学习和双解码器注意力机制，实现了对昼夜时序图像数据中玉米作物冠层的准确分割。结果表明，本研究提出的DNSCN模型与对比模型相比，具有更高的分割精度（P=0.942 7,R=0.910 6,F=0.926 3）和更好的稳定性。最后，本研究以玉米作物为试验样本，使用提出的DNSCN模型对田间玉米时序图像进行了分析，发现日间整体增长速率呈下降趋势，而夜间则存在快速增长阶段，在02:00时玉米冠层增长达到最大值，夜间玉米冠层增长速率明显大于日间。本研究提出的DNSCN模型可为实现作物昼夜生长实时动态监测提供有效方法。