Plot-scale peanut yield estimation using a phenotyping robot and transformer-based image analysis

Zhengkun Li

doi:10.1016/j.atech.2025.101154

2025-07-01

DOI：10.1016/j.atech.2025.101154

原文链接

原文求助

摘要

En 中文

花生在美国的农作物中排名第七，其农场产值超过10亿美元。传统花生产量估算方法包括挖掘、收获、运输和称重，这些方法在大规模研究操作中劳动强度大且效率低下。这种低效性在花生育种中尤为突出，育种需要精确估算每个小区的荚果产量，以比较遗传产量潜力并筛选新的、高性能的育种系。为提高效率和通量以加速遗传改良，我们提出了一种自动化机器人成像系统，用于在挖掘和翻转小区后预测田间花生产量。开发了一种工作流程，通过统计拼接后的小区级图像中的荚果来精确估算不同基因型的产量。在田间机器人扫描完成后，使用基于局部特征变换器（LoFTR）的特征匹配和调整图像间的估计平移，将每个花生小区的连续图像拼接在一起，避免了重叠图像区域中的重复荚果计数。此外，通过将部分卷积集成到轻量级ResNet-18骨干网络中，并优化跨尺度特征融合的上采样和下采样模块，定制了实时检测变换器（RT-DETR）用于荚果检测。定制检测器的平均精确度（mAP50）达到89.3%，mAP95为55.0%，在更轻权重和更少计算量的情况下，分别比原始RT-DETR模型提高了3.3%和5.9%。为确定拼接后小区级图像中的荚果数量，采用滑动窗口方法将其分割成更小的图像块，以提高荚果检测的准确性。在一个包含19个基因型共68个小区的花生育种产量试验案例研究中，结果显示产量与预测荚果计数之间的相关性（R²=0.47）优于结构光运动（SfM）方法。基于图像预测的不同基因型产量排名与手动测量结果的一致性平均达到84.8%，当两个基因型间的产量差异超过12%时，一致性超过90%。总体而言，我们提出的机器人小区级花生产量估算工作流程显示出替代人工测量过程的潜力，可减少产量测定所需的时间和人力，并提高花生育种的效率。

Keyword:

Peanut

High-throughput phenotyping

Yield estimation

Image stitching

Pod detection

RT-DETR