准确绘制农田地图是精准农业的重要先决条件，因为它有助于田间管理、产量预测和环境管理。作物对种植模式很敏感，有些作物补偿一行内差距的能力有限。在无人机上安装传感器的光学成像是当今捕捉农田图像的一种经济高效的选择。然而，视觉检查这类图像是一项具有挑战性和易有偏差的任务，特别是一次性检测出植物和种植行。因此，开发一种能够从无人机图像中同时提取植物个体和种植行的网络结构是支持农业系统管理的重要需求。

01 本文提出的框架由五个步骤组成

1.使用嵌入式无人机平台的摄像机从玉米和柑橘田获取RGB图像。

2.由专家在GIS(地理信息系统)环境中对图像及其标签进行预处理。

3.使用随机划分的方法将数据分解为训练、验证和测试数据集。

4.通过检测种植行数和植物数量对模型进行性能评估。

5.通过本文的CNN方法计算的每个任务的误差指标。

RGB图像的高比例示例用于显示人工识别的种植行、玉米植株和柑橘树

02 基于卷积神经网络(CNN)的深度学习方法

该方法在考虑高密度种植的情况下，同时检测和定位种植行，同时计算其植物数量。该实验在不同生长阶段的玉米田和柑橘园中进行了评估。这两个数据集描述了不同地点、不同作物类型、不同传感器和日期的不同植物密度场景。

03 检测植物和种植行的方法

该方法首先从如图二(a)所示的RGB输入图像中提取如图二(b)所示的特征图。特征映射在通过PPM时获得全局和局部邻域信息(见图二(c))。然后，volume输入到MSM处理，见图二(d)，具有T stages，并进行精调，以检测两个分支中的植物和种植行。为此，如图二(c)所示，从PPM模块获得的volume用作MSM T stages的输入。此外，这两个分支在MSM的每个阶段之间共享其volume，从而更精确地识别植物和种植行。最后，我们在每个分支的处理结束时获得如图二(e)所示的植物检测和如图二(f)所示的行检测。

检测植物和种植行的方法图二

04 与一些最先进的对象检测方法相比

与一些最先进的对象检测方法(HrNet, Faster R-CNN, and RetinaNet)相比，本文的CNN获得了更好的MAE、MRE、MSE、Precision和F-measure值。这表明，与其它评估的深度网络相比，该方法提供了更准确的检测，同时产生更少的错误检测。

显示了该方法在检测植物行方面的性能

高级生长阶段(cobs成熟阶段)玉米植物数据集的目标检测方法的视觉比较

05 结论

本文介绍了一种CNN方法，用于同时检测不同数据集（玉米田和柑橘园）中的植物和种植行，该数据集是由基于无人机的远程系统获取的RGB图像得出的。提出的方法是一种可行的替代目视检查的方法，应该有助于精准农业实践。结果表明，该方法具有很高的准确性。对于种植园行检测，本文方法返回的精度、召回率和F-measure分数分别为0.913、0.941和0.925。对于柑橘种植园行检测，本文方法的精度、召回率和F-measure分数分别为0.965、0.970和0.964。由于该方法使用基于RGB的传感器，因此具有合理的成本选择。

本文CNN方法的另一个贡献是，通过应用两个分支架构并使信息能够在它们之间进行共享交换，可以受益于一个检测到另一个的结果。此外，它不是使用常见的bounding box对象检测方法，而是估计置信图来检测单个植物。这在评估高密度种植园时具有优势，因为它不依赖于目标边界，而是使用唯一像素被识别为植物的概率。 在目前情况下，该方法可以增强决策任务，同时有助于通过遥感系统对农业地区进行更可持续的管理。本文提出的方法可能有助于遥感技术和精准农业应用的研究。

来源：农业之巅