近日，河南农业大学智慧农业科技创新团队在《Artificial Intelligence in Agriculture》期刊上发表题为“Maize phenological stage recognition via coordinated UAV and UGV multi-view sensing and deep learning”的研究成果。河南农业大学青年教师岳继博教授为该文第一作者，国家农业信息化工程技术研究中心冯海宽副研究员、赵春江研究员和杨贵军研究员为共同通讯作者。

该研究提出了一种无人机（UAV）与地面无人车（UGV）协同的多视角感知策略，并结合自主设计的深度学习模型MSRNet，实现了对玉米12个关键物候期的精准识别，为作物育种中的高通量表型监测难题提供了创新解决方案。

打开网易新闻 查看精彩图片

针对现有光学遥感技术在中高冠层覆盖条件下易受植被指数饱和影响，导致监测效果下降的问题，该研究利用配备全景相机的UGV采集玉米冠层内部（IOC）图像，分析雌穗特征；同时，借助配备高清数码相机和光谱相机的UAV采集冠层顶部（TOC）图像，提取叶片和雄穗特征，从而自动化识别12个生长时期的冠层高度、叶片及雌穗特征。在此基础上，团队开发了多模态深度学习框架MSRNet，融合冠层高度、植被指数、顶部叶片及内部雌穗等多源特征，实现玉米12个物候期的精确识别。与传统机器学习及单模态深度学习模型对比，该模型在V2-R6阶段的识别准确率达84.5%，较基准方法提升3.8%-13.6%。Grad-CAM可视化结果进一步证实，MSRNet能根据生长阶段动态调整注意力机制：在营养生长期聚焦叶片特征，在生殖生长期转向果穗特征。