准确计算每穗粒数对于评估水稻产量和选择优良种质资源至关重要。传统的测量方法劳动密集、耗时且容易出错。为了应对这一挑战,基于计算机视觉的方法已成为一种很有前途的种子计数方法。然而,由于稻粒的自然形态,包括遮挡以及大小、形状和方向的巨大变化,实现精确的稻粒计数尤其具有挑战性。这通常需要额外的步骤,例如手动整形或脱粒。因此,我们提出了一种创新方法,通过整合物体检测、图像分类和回归方程来精确计数自然形态的水稻粒。首先,我们训练了 Yolov7-tiny 模型进行稻粒计数。随后,我们使用 EfficientNetV2 网络引入了一个基于水稻穗自然形态变化的分类系统,将水稻穗分为五个不同的类别。此外,我们利用来自 2920 个不同水稻种质的数据,设计了一组针对不同水稻穗类别的单变量线性回归方程,以建立预测值与实际值的相关性。实验结果表明,计数准确率为 92.60%,平均绝对百分比误差为 7.69%。此外,这项研究还表明,使用穗的双面图像并不能显著提高计数准确率。这项研究代表了在水稻穗自然形态内实现精确高效计数的成功尝试,为检测和计数密集物体提供了一种新颖的解决方案。
图1 水稻穗的不同形态
(A)分离出第5类。(B)将第1类与剩余的稻穗分开。(C)将剩余的稻穗分为第2类、第3类和第4类
图5 各种模型的误差。误差:真实值减去预测值的结果
OD表示物体检测;M表示利用回归方程;mClas表示人工分类;横轴指标表示穗样品数