近期，齊龍研究員團隊在Food Control（中科院一區(qū)Top，IF=5.6）European Journal of Agronomy（中科院一區(qū)Top，IF=4.5）Computers and Electronics in Agriculture（中科院一區(qū)Top，IF=7.7）等國際權(quán)威期刊發(fā)表了水稻智能檢測的研究成果。團隊構(gòu)建的“種子-雜草-苗情”智能檢測技術(shù)體系，在種子品種識別、雜草辨識、苗帶檢測、缺苗定位等關(guān)鍵技術(shù)上取得了新突破。
基于對偶注意力的水稻種子品種精準識別模型
團隊在Food Control發(fā)表題為“Synergistic spectral-spatial fusion in hyperspectral Imaging: Dual attention-based rice seed varieties identification”的研究論文（第一作者：工程學(xué)院博士生唐書奇；通訊作者：齊龍研究員、馮驍副教授）。
水稻種子品種的精準識別是保障良種推廣與生產(chǎn)質(zhì)量的關(guān)鍵環(huán)節(jié)。針對高光譜成像中復(fù)雜光譜特征捕獲與空間細節(jié)建模難以協(xié)同優(yōu)化的問題，本研究提出了基于雙分支網(wǎng)絡(luò)架構(gòu)的水稻品種識別模型。該模型融合非局部注意力機制與Vision-Transformer（ViT），其中，非局部注意力分支精確建模光譜通道間的長程依賴關(guān)系，ViT分支有效提取空間結(jié)構(gòu)特征，從而實現(xiàn)光譜與空間信息的深度協(xié)同融合。實驗結(jié)果表明，該模型在僅8.62MB的輕量級參數(shù)規(guī)模下，對長粳735、長粳529、吉農(nóng)大1041、吉農(nóng)大959、長樂520、禾廣絲苗、19香及粵桂占2號等8個水稻品種的識別準確率為94.87%，為水稻種子品種的高效、精準、輕量化識別提供可靠技術(shù)支撐。
CNN+Transformer的稻田雜草精準辨識模型
團隊在European Journal of Agronomy發(fā)表題為“CSWin-MBConv: A dual-network fusing CNN and Transformer for weed recognition”的研究論文（第一作者：崔金榮副教授；通訊作者：齊龍研究員、馬銳軍副教授）。
稻田雜草種類的精準辨識是實施精準除草作業(yè)的前提。針對自然光照擾動、稻田復(fù)雜背景及同科（屬）雜草間形態(tài)相似等因素導(dǎo)致的識別精度低問題，本研究提出了融合CNN與Transformer的雙分支特征提取網(wǎng)絡(luò)。該網(wǎng)絡(luò)基于CNN局部細粒度特征捕獲與Transformer全局語義關(guān)聯(lián)建模的協(xié)同機制，有效提升了雜草特征的表達能力，突破了同科（屬）雜草形態(tài)相似性識別瓶頸。田間試驗表明：該模型可實現(xiàn)對稻田6種主要雜草（稗草、千金子、空心蓮子草、丁香蓼、野慈姑、鱧腸）的精準識別，識別準確率大于98%，性能優(yōu)于單一CNN、單一Transformer及其他主流對比模型。
基于實例分割的水稻苗帶精準檢測模型
團隊在Computers and Electronics in Agriculture發(fā)表題為“Towards end-to-end rice row detection in paddy fields exploiting two-pathway instance segmentation”的研究論文（第一作者：工程學(xué)院碩士研究生陳芷瑩；通訊作者：齊龍研究員、馬銳軍副教授）。
水稻苗帶的精準檢測是農(nóng)機自主導(dǎo)航和田間精準作業(yè)的前提。針對稻田光照多變、秧苗形態(tài)多樣及冠層遮蔽導(dǎo)致的苗帶檢測魯棒性不足問題，本研究提出了基于實例分割的端到端水稻苗帶檢測方法，構(gòu)建了融合語義分割和像素嵌入的雙分支模型。通過融合MobileNetV3-Small輕量化架構(gòu)和極化自注意力機制，模型在保持13.0 MB小體積下實現(xiàn)39.37 FPS推理速度，mIoU為69.24%，顯著提升分蘗期苗帶檢測的魯棒性與實時性，滿足農(nóng)機自主導(dǎo)航對高精度、高幀率與低延遲的作業(yè)要求。
無人機-農(nóng)機協(xié)同的稻田缺苗智能定位模型
團隊在Computers and Electronics in Agriculture發(fā)表題為“A novel method for detecting missing seedlings based on UAV images and rice transplanter operation information”的研究論文（第一作者：吳雙龍副教授；通訊作者：齊龍研究員、林彩霞老師）。
在水稻生產(chǎn)過程中，缺苗是影響產(chǎn)量和資源利用效率的關(guān)鍵問題。傳統(tǒng)光電傳感器易受田間環(huán)境干擾，而基于單一機器視覺的方法因缺乏作業(yè)位置信息，存在模型泛化性差、定位精度不足等問題。為此，本研究提出了融合無人機影像與插秧機作業(yè)信息的稻田缺苗定位模型。該模型通過無人機航拍構(gòu)建稻田影像數(shù)據(jù)集，結(jié)合插秧機導(dǎo)航軌跡及作業(yè)參數(shù)（如株距、行距），精準推算每株秧苗的預(yù)期種植位置；進一步融合高精度秧苗識別模型與坐標轉(zhuǎn)換算法，實現(xiàn)缺苗點地理坐標的精準定位。實驗結(jié)果表明，該方法無需依賴復(fù)雜算法即可顯著提升檢測精度，并同步獲取缺苗點的位置信息，為水稻精準補種提供決策依據(jù)。
上述研究得到了國家自然科學(xué)基金（U23A20174）、國家水稻產(chǎn)業(yè)體系崗位專家（CARS-01）、廣東特支計劃-省農(nóng)業(yè)農(nóng)村廳（農(nóng)業(yè)與農(nóng)村振興人才）（NYLJ2024004）和特定高校學(xué)科建設(shè)專項（2023B10564002）等項目資助。
相關(guān)論文鏈接：
https://www.sciencedirect.com/science/article/pii/S0956713525002804
https://www.sciencedirect.com/science/article/pii/S1161030125000243
https://www.sciencedirect.com/science/article/pii/S0168169925000699
https://www.sciencedirect.com/science/article/pii/S0168169924011803
文圖/水利與土木工程學(xué)院
