农业科研：无人机图像检测小麦倒伏类型

小麦倒伏现象严重影响小麦产量，因此在小麦生长的各个阶段，水肥、翻土等操作都是需要一定的科学性。及时获取小麦倒伏类型，对探讨研究小麦产量与质量具有积极意义。随着无人机、深度学习等技术的发展与应用，在检测小麦倒伏类型方面也取得了一定进展。

为了研究不同类型的小麦倒伏(根部倒伏、茎部倒伏)对产量和质量会产生不同影响，中国农业大学信息与电气工程学院与中国农业大学农业农村部农业信息获取技术重点实验室、北达科他州立大学农业与生物工程系、韩国江原大学生物系统工程系、韩国江原大学智慧农业交叉学科、塔里木大学机械电气化工程学院等高校组成了科研团队，旨在通过无人机图像对小麦倒伏类型进行分类，并探究无人机飞行高度对分类性能的影响。

该研究设置3个无人机飞行高度(15、45、91 m)来获取小麦试验田的图像，并利用自动分割算法生成不同高度的数据集，提出一种EfficientNetV2-C改进模型对其进行分类识别。模型通过引入CA(Coordinate Attention)注意力机制来提升网络特征提取能力，并结合CB-Focal Loss(Class–Balanced Focal Loss)来解决数据不均衡对模型分类准确度的影响。

改进的EfficientNetV2-C表现最佳，平均准确率达到93.58%。对比未改进的4种机器学习分类模型(支持向量机(Support Vector Machine，SVM)、K最近邻(K Nearest Neighbor，KNN)、决策树(Decision Tree，DT)和朴素贝叶斯(Naive Bayes，NB))与两种深度学习分类模型(ResNet101和EfficientNetV2)，其中EfficientNetV2在各个高度下表现最优，平均准确率达到82.67%。无人机飞行高度对4种机器学习分类器性能无显著影响，但随飞行高度上升，由于图像特征信息损失，深度学习模型的分类性能下降。

改进的EfficientNetV2-C在小麦倒伏类型检测方面取得了较高的准确率，为小麦倒伏预警和农作物管理提供了新的解决方案。

小麦是一种“急公好义”的作物，会优先为自身生长提供养分，而不是提高结实率。因此，只有通过提高产量才能提高结实率。而高产则需要农民不断地探索和实践，不断改进种植技术，以及选用高产优质品种。例如，采用杂交小麦、超级稻等现代农业技术，可以大大提高小麦的产量。

审核编辑 黄宇