小麥倒伏現(xiàn)象嚴(yán)重影響小麥產(chǎn)量，因此在小麥生長(zhǎng)的各個(gè)階段，水肥、翻土等操作都是需要一定的科學(xué)性。及時(shí)獲取小麥倒伏類型，對(duì)探討研究小麥產(chǎn)量與質(zhì)量具有積極意義。隨著無(wú)人機(jī)、深度學(xué)習(xí)等技術(shù)的發(fā)展與應(yīng)用，在檢測(cè)小麥倒伏類型方面也取得了一定進(jìn)展。

為了研究不同類型的小麥倒伏(根部倒伏、莖部倒伏)對(duì)產(chǎn)量和質(zhì)量會(huì)產(chǎn)生不同影響，中國(guó)農(nóng)業(yè)大學(xué)信息與電氣工程學(xué)院與中國(guó)農(nóng)業(yè)大學(xué)農(nóng)業(yè)農(nóng)村部農(nóng)業(yè)信息獲取技術(shù)重點(diǎn)實(shí)驗(yàn)室、北達(dá)科他州立大學(xué)農(nóng)業(yè)與生物工程系、韓國(guó)江原大學(xué)生物系統(tǒng)工程系、韓國(guó)江原大學(xué)智慧農(nóng)業(yè)交叉學(xué)科、塔里木大學(xué)機(jī)械電氣化工程學(xué)院等高校組成了科研團(tuán)隊(duì)，旨在通過(guò)無(wú)人機(jī)圖像對(duì)小麥倒伏類型進(jìn)行分類，并探究無(wú)人機(jī)飛行高度對(duì)分類性能的影響。

該研究設(shè)置3個(gè)無(wú)人機(jī)飛行高度(15、45、91 m)來(lái)獲取小麥試驗(yàn)田的圖像，并利用自動(dòng)分割算法生成不同高度的數(shù)據(jù)集，提出一種EfficientNetV2-C改進(jìn)模型對(duì)其進(jìn)行分類識(shí)別。模型通過(guò)引入CA(Coordinate Attention)注意力機(jī)制來(lái)提升網(wǎng)絡(luò)特征提取能力，并結(jié)合CB-Focal Loss(Class–Balanced Focal Loss)來(lái)解決數(shù)據(jù)不均衡對(duì)模型分類準(zhǔn)確度的影響。

改進(jìn)的EfficientNetV2-C表現(xiàn)最佳，平均準(zhǔn)確率達(dá)到93.58%。對(duì)比未改進(jìn)的4種機(jī)器學(xué)習(xí)分類模型(支持向量機(jī)(Support Vector Machine，SVM)、K最近鄰(K Nearest Neighbor，KNN)、決策樹(shù)(Decision Tree，DT)和樸素貝葉斯(Naive Bayes，NB))與兩種深度學(xué)習(xí)分類模型(ResNet101和EfficientNetV2)，其中EfficientNetV2在各個(gè)高度下表現(xiàn)最優(yōu)，平均準(zhǔn)確率達(dá)到82.67%。無(wú)人機(jī)飛行高度對(duì)4種機(jī)器學(xué)習(xí)分類器性能無(wú)顯著影響，但隨飛行高度上升，由于圖像特征信息損失，深度學(xué)習(xí)模型的分類性能下降。

改進(jìn)的EfficientNetV2-C在小麥倒伏類型檢測(cè)方面取得了較高的準(zhǔn)確率，為小麥倒伏預(yù)警和農(nóng)作物管理提供了新的解決方案。

小麥?zhǔn)且环N“急公好義”的作物，會(huì)優(yōu)先為自身生長(zhǎng)提供養(yǎng)分，而不是提高結(jié)實(shí)率。因此，只有通過(guò)提高產(chǎn)量才能提高結(jié)實(shí)率。而高產(chǎn)則需要農(nóng)民不斷地探索和實(shí)踐，不斷改進(jìn)種植技術(shù)，以及選用高產(chǎn)優(yōu)質(zhì)品種。例如，采用雜交小麥、超級(jí)稻等現(xiàn)代農(nóng)業(yè)技術(shù)，可以大大提高小麥的產(chǎn)量。

審核編輯 黃宇