基于计算机辅助设计和离散元方法(DEM)的精准大豆计量装置分流型仿真分析

《Computers and Electronics in Agriculture》:Computer-aided design and DEM-based simulation analysis of a diversion-type precision soybean metering device

【字体: 大 中 小 】 时间:2025年12月28日 来源:Computers and Electronics in Agriculture 8.9

编辑推荐:

  准确检测冬季草坪损伤对主动管理至关重要,但早期损伤因色调微弱、分布不规则难以辨识。本研究提出结合条件式深度卷积生成对抗网络(cDCGAN)与改进Transformer模型的解决方案:cDCGAN生成高保真合成植被指数(VI)地图以解决数据稀缺问题,而自适应注意力解码器(AAD)增强Transformer对低对比度、空间不规则损伤的敏感度。实验表明,该框架在30个俄勒冈高尔夫球场(2022-2023)数据集上显著优于U-Net和DeepLabV3+,达到mIoU 82.47%、准确率97.85%等指标。

  
李学晨|阿里雷扎·萨纳埃法尔|尼古拉斯·帕迪利亚|科尔·斯托弗|亚历克·科瓦莱夫斯基|埃里克·沃特金斯|布莱恩·伦克|乔朗|杨策
明尼苏达大学生物产品与生物系统工程系,美国明尼苏达州圣保罗市55108

摘要

准确检测草坪草的冬季损伤对于主动管理至关重要,但由于早期损伤较为微弱、不规则且容易与背景噪声混淆,这一任务仍然具有挑战性。这些特性带来了两个主要问题:可靠训练数据的有限可用性,以及需要一个对细微特征高度敏感的分割模型。为了解决数据问题,本研究采用了条件深度卷积生成对抗网络(cDCGAN)来生成高保真的植被指数(VI)地图。与原始光谱带相比,VI对噪声的鲁棒性更强,同时提高了数据集的多样性和模型的泛化能力。为了解决分割问题,我们引入了一种基于Transformer的模型,并加入了新颖的自适应注意力解码器(AAD),该解码器能够动态优化特征表示,从而提高对低对比度、空间不规则损伤的检测能力。2022年至2023年间在美国俄勒冈州中部的高尔夫球场上进行的实地实验表明,所提出的方法优于其他先进的深度学习模型,达到了82.47%的mIoU、97.85%的准确率、85.62%的召回率和88.30的F1分数。总体而言,本研究提出了一个以问题为导向的框架,将目标数据增强与改进的分割架构相结合,为精确草坪草管理的冬季损伤早期检测提供了稳健且准确的解决方案。

引言

冬季损伤是高尔夫球场果岭面临的主要压力之一,其原因包括低温、结冰、反复的冻融循环以及机械磨损(Dionne等人,1995年)。这种损伤不仅会降低草坪草的颜色和密度,还会增加维修成本和管理负担(Bell等人,2013年)。其表现形式多种多样:暴露的草脊可能会出现干燥现象,导致草皮变薄并形成稻草色斑块;低洼区域在反复冻融或长时间结冰后常出现水浸损伤或大面积枯死;雪霉病在融雪后通常以圆形或不规则斑块的形式出现。这些损伤常常重叠,导致果岭上出现不规则和斑驳的空间图案(Beard,1969年)。早期检测冬季损伤非常有益,因为它可以及时干预,减少草坪草的损失,并降低恢复成本(Kvalbein等人,2017年)。然而,这一阶段的损伤症状极其微妙,通常仅表现为轻微的变色、叶片光泽度下降或小范围的不规则斑块,这些现象很容易被误认为是阴影、轻微疾病或正常磨损。低太阳角度、冰和雪的反光以及异质的冬季背景进一步掩盖了这些微弱信号,使得及时识别变得特别困难。尽管人工检查最终可以识别出受损区域,但这种方法对于大规模监测来说既耗时又不实用,因此依赖基于RGB的成像或现场巡查不足以实现及时管理。
精准草坪草管理(PTM)提供了一个整合遥感和数据驱动干预的框架,以维持果岭质量(Carlson等人,2022年)。然而,当前的方法存在明显局限性:卫星图像缺乏进行果岭规模监测所需的分辨率和时效性,而无人机(UAV)平台虽然能提供高分辨率图像(Vines和Zhang,2022年),但在捕捉这些早期、低对比度和空间不规则的信号方面存在困难。此外,冬季数据收集受到多变条件和有限地面真实标签的阻碍,限制了数据集的大小和一致性,导致模型在跨站点应用时出现过拟合或失败的问题。在此背景下,我们的研究解决了两个相互关联的科学问题。第一个问题是如何利用基于UAV的多光谱感知和定制的视觉模型,在损伤变得明显之前实现冬季损伤的早期检测。第二个问题是在样本量少和冬季条件不稳定的情况下,如何构建稳健的训练数据,以提高模型对低对比度、不规则损伤斑块的敏感性,并增强模型在不同地点和环境下的泛化能力。
利用UAV图像进行损伤检测的方法已经从特征工程发展到端到端学习。传统的机器学习方法在估计草坪覆盖百分比(PGC)和整体草坪质量评分方面表现良好。例如,Wang等人(2022年)使用支持向量机对UAV RGB图像进行训练以估计PGC,Hernandez等人(2024年)使用多光谱植被指数预测有序的草坪质量评分。然而,在这两种情况下,模型都是基于手工制作的植被指数或地块级别的光谱摘要进行操作的,并将每个观测值视为独立样本,而没有明确建模图像中的空间上下文。因此,复杂的空间结构(如小而细长的损伤斑块以及健康草坪和受压草坪之间的不规则边界)可能会被平滑或忽略。深度学习分割模型,如U-Net(Ronneberger等人,2015年)和Mask R-CNN(He等人,2017年),可以直接从图像中学习纹理和边界,并在草坪质量评估和检测微妙或难以识别的损伤方面显示出优势。最近的进展集中在细粒度和轻量级优化上:FG-UNet通过精细特征感知和上下文融合提高了作物和杂草的分割能力(J. Lin等人,2024年),优化的DeepLabV3+能够高效检测和量化草坪草中的美元斑病(Kitchin等人,2025年),而全卷积网络结合部分连接的条件随机场可以高效生成覆盖图(Huang等人,2020年)。然而,当应用于低对比度和空间不规则的早期冬季损伤时,现有模型的敏感性和鲁棒性仍然不足。
早期冬季损伤的可见特征往往还不明显,需要能够感知预视觉压力的成像和表示方法。多光谱图像及其衍生的植被指数(VIs)可以放大微妙的生理变化,使其比RGB图像更有效地进行早期识别。例如,在叶面积指数估计中,基于多光谱VI的模型获得了0.841的R2,明显优于最佳的基于RGB的指数模型(R2 = 0.760)(Ochiai等人,2024年)。在更广泛的精准农业领域,UAV多光谱数据结合深度学习在冠层和植被分割方面始终优于OBIA和无监督方法(Ferro等人,2024年),并已成功应用于小麦条锈病检测(T. Zhang等人,2022年)和一般植被制图(Butko等人,2024年)。在PTM中,基于VI的方法也被证明能有效映射高尔夫球场的干旱压力(Cantu,2024年)。综上所述,这些发现表明UAV多光谱数据应作为高尔夫球场果岭早期冬季损伤检测的主要输入,植被指数作为关键特征,由能够捕捉低对比度和细小斑块的分割架构和学习策略支持。这为后续的数据增强和稳健建模提供了清晰的路径。
冬季数据收集受到天气、场景复杂性和标注成本的限制,导致高质量样本稀缺和注释不一致。除了构建虚拟场景以初始化多光谱分割网络和减少过拟合(Kemker等人,2018年)外,生成对抗网络(GANs)(Goodfellow等人,2014年)和深度卷积生成对抗网络(DCGAN)(Radford,2015年)因能够从有限样本生成真实图像而受到重视。条件DCGAN(cDCGAN)结合了标签信息,使生成的样本更具针对性(Mirza和Osindero,2014年),并在遥感和光谱学领域出现了专门的设计。例如,SIGAN结合了光谱指数先验进行类别级细特征建模(Singh和Bruzzone,2021年),SAM-GAN使用近红外高光谱数据生成种子活力检测的特征(Qi等人,2024年),改进的cDCGAN显著提高了小规模干旱胁迫草莓叶片数据集的分类准确性(Zhu等人,2024年)。然而,直接生成高光谱带对原始数据中的噪声非常敏感,需要大量的预处理来抑制光谱噪声和空间伪影(Jia等人,2024年)。相比之下,植被指数作为标准化比率,可以抵消由光照、地形、云层、大气和土壤背景引起的变化,使其更加稳定(Huete等人,2002年;Matsushita等人,2007年)。最近的研究表明,如归一化差异植被指数(NDVI)或归一化差异红边(NDRE)等指数可以直接从RGB或单模态输入中高精度重建,包括与现场测量相当的可基于cGAN的重建(Davidson等人,2022年),带有多尺度注意力的NDVI-Net用于高分辨率NDVI(H. Zhang等人,2020年),以及基于单NIR图像的CGAN(Suarez等人,2017年)。这些结果表明,在样本量少和冬季条件复杂的背景下,直接合成稳定的、物理意义上的植被指数是一种更稳健的数据增强方法。
基于这些见解,我们提出了一个双管齐下的框架,用于高尔夫球场果岭早期冬季损伤的检测。首先,我们使用cDCGAN生成高保真、标签控制的VI地图,如NDVI和NDRE。这一策略缓解了数据稀缺和领域适应性问题,同时利用指数的固有稳定性,减少了对完美光谱重建和详细注释的依赖。其次,我们设计了一个改进的Transformer分割模型,其中引入了自适应注意力解码器,以动态重新校准解码器中的多尺度特征表示。这两种机制共同作用,旨在在注释有限和冬季条件多变的情况下,实现更早、更准确、更稳健的冬季损伤检测。我们通过与其他基线模型(如U-Net和DeepLabV3+)的比较实验进行了验证,并使用IoU和F1指标进行了消融研究,以量化增强和AAD的各自贡献。这项工作为PTM中的快速诊断和干预提供了实用途径。

数据采集

2022年至2023年,我们在美国俄勒冈州中部的30个高尔夫球场进行了冬季草坪草损伤研究,包括Black Butte Ranch(BBR)、Broken Top(BT)和Widgi Creek(WC)高尔夫俱乐部。使用安装在无人机上的Sentera 6X多光谱传感器,在冬季不同地区和时间段获取了时间序列的多光谱和热成像数据(详细信息见表1)。该传感器提供蓝光(中心波长约475纳米)、绿光(中心波长550纳米,带宽20纳米)、红光(中心波长670纳米)等光谱。

合成植被指数的评估

为了进一步支持这项分析,我们使用了2D核密度估计(KDE)图(W?glarczyk,2018)来可视化生成植被指数和原始植被指数之间的像素强度关系。这些图表近似表示两个变量的联合分布,突出显示了指数对齐良好的高密度区域和指示差异的低密度区域。这为评估模型在强度光谱上再现细节的能力提供了清晰的依据。

早期冬季损伤检测能力

在这项研究中,我们从2022年到2023年收集了一系列时间序列数据集,以分析草坪草冬季损伤的进展。如图11所示,受影响区域随时间扩大,损伤程度逐渐加重。为了评估所提出模型的早期预测能力,特别是其在损伤恶化到严重程度之前的初始迹象识别能力,我们根据时间进展对数据集进行了结构化处理。

结论

本研究提出了一个新颖的冬季损伤检测框架,将合成植被指数与改进的分割模型相结合,显著提高了早期检测的准确性、分割精度和模型泛化能力。该模型达到了82.47%的mIoU、97.85%的准确率、85.62%的召回率和88.30的F1分数,优于传统的深度学习模型。这一结果得益于实验中选择了最佳的植被指数组合(NDVI、GNDVI等)。

CRediT作者贡献声明

李学晨:撰写——审阅与编辑、撰写——初稿、可视化、验证、软件开发、调查、数据分析、概念化。阿里雷扎·萨纳埃法尔:撰写——审阅与编辑、资源管理、数据整理。尼古拉斯·帕迪利亚:数据整理。科尔·斯托弗:资源管理、数据整理。亚历克·科瓦莱夫斯基:监督指导、资源管理、数据整理。埃里克·沃特金斯:撰写——审阅与编辑、监督指导、资源管理、资金筹集。布莱恩·伦克:撰写——审阅与编辑、监督指导。

利益冲突声明

作者声明以下可能被视为潜在利益冲突的财务利益/个人关系:[杨策报告称获得了美国农业部的财政支持。如果还有其他作者,他们声明没有已知的可能影响本文工作的财务利益或个人关系。]

致谢

本研究得到了美国农业部国家食品与农业研究所特种作物研究计划的支持,项目编号为2021-51181-35861。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号