基于稻穗检测与机器学习的水稻始穗期预测OA

【目的】针对当前水稻育种过程中人工测量始穗期存在劳动强度大、效率低等问题,本研究提出一种融合无人机图像、YOLOv10b目标检测算法与随机森林回归模型的智能预测方法,实现水稻育种小区始穗期的自动化高效预测。【方法】以水稻育种小区为研究对象,利用无人机在水稻孕穗至成熟阶段获取15个观测期的小区图像,基于YOLOv10b算法训练稻穗检测模型,实现小区图像中稻穗的识别与计数。随后以小区各观测期的稻穗数量为输入变量,始穗期距移栽天数为预测变量,构建多种始穗期预测模型并进行对比分析。在此基础上开展特征重要性分析,进行特征降维,构建精简模型。【结果】YOLOv10b模型在稻穗检测任务中精确率为91.7%,召回率为92.1%,F_(1)值为0.919。在始穗期预测任务中,基于全部15个观测期穗数时序特征所构建的随机森林模型取得了R^(2)为0.84,RMSE为1.57 d,MAE为1.12 d的预测表现;进一步通过特征重要性降维至9个观测期所构建的精简模型,取得了R^(2)为0.83,RMSE为1.65 d,MAE为1.16 d的预测表现,在保证预测精度的同时,显著降低了特征维度,提升了模型的效率与实用性。【结论】该研究提出的方法可有效减少人工测量的工作量,提升水稻始穗期监测效率,实现育种小区始穗期的自动化预测,为智能育种与精准农业管理提供可行的数据支撑与技术路径。