パニクルカバーのダイナミックな変化を分析することによって,米の収穫の見積もりのためのディープラーニングベースのセマンティックセグメンテーション

科学分野:

• 農業科学
• コンピュータ・ビジョン
• 植物フェノタイプ化

背景:

• 世界の人口増加と気候変動により 農業の生産性が高まっています
• 既存の米の収穫予測モデルには ダイナミックタイム分析が欠けていて 精度が限られている.
• ダイナミックな変化が米の収穫量に大きく影響し,高度なモニタリング技術が必要になります.

研究 の 目的:

• 米のフェノタイプと収穫量の予測のための新しい時間的枠組みを開発する.
• ダイナミックなパニック分析のための深層学習と高解像度のRGB画像を統合する.
• シリアル画像データを用いて,米の収穫量とその構成要素を正確に推定する.

主な方法:

• 2つの成長期にわたって米の天井の高解像度RGB画像を取得しました.
• リスパニクルの区画化のための5つの意味論的セグメンテーションモデル (DeepLabv3+,U-Net,PSPNet,FPN,LinkNet) を評価した.
• 時系列のパニックルカバーデータに,重要な成長パラメータ (K,g,d0,a,d1) を抽出し,収穫予測のために機械学習モデル (PLSR,RFR,GBR,XGBR) で使用した.

主要な成果:

• DeepLabv3+とLinkNetはパニクルセグメンテーションで高性能を達成しました (mIoU > 0.81).
• 最大パニクルカバー (K) は,収穫量 (r=0.87) と穀物数 (r=0.85) と強く相関する.
• ランダム・フォレスト・レグレッサー (RFR) とXGBoost・レグレッサー (XGBR) のモデルは,最も高い収穫予測精度を示した (R2=0.89).

結論:

• 開発されたフレームワークは,RGB画像を使用して,米の発達ダイナミクスを効果的に定量化します.
• このアプローチにより,精密農業と作物育種を支える正確な収穫予測が可能になります.
• タイムリーイメージングとディープラーニングを統合することで 農業のモニタリングに強力なツールが提供されます