CropQuant-Air:一种由人工智能驱动的系统,使用低成本无人机收集的小麦树冠图像来实现与产量和性能相关的特征的表型分析
Jiawei Chen1,2, Jie Zhou1,2, Qing Li3
1State Key Laboratory of Crop Genetics & Germplasm Enhancement, Academy for Advanced Interdisciplinary Studies, Nanjing Agricultural University, Nanjing, China.
Frontiers in plant science
|July 5, 2023
概括
CropQuant-Air使用人工智能和无人机图像自动分析小麦和产量特征. 这项技术为作物表型化提供了可靠,具有成本效益的解决方案,有助于全球粮食安全工作.
科学领域:
- 农业科学 农业科学
- 计算机科学 计算机科学
- 植物生物学 植物生物学
背景情况:
- 小麦是全球必不可少的粮食主食,准确的产量评估对粮食安全至关重要.
- 目前用于小麦的大规模表型化方法通常是手动的,耗时的,并且难以自动化.
- 分析树冠水平的小麦和性能特征需要先进的,高效的技术.
研究的目的:
- 开发一种由人工智能驱动的系统,CropQuant-Air,用于使用无人机图像进行自动小麦尖峰检测和表型分析.
- 量化关键收益率特征,例如每平方米的峰值数 (SNpM2) 和其他绩效指标.
- 为种植者,研究人员和农民创建一个易于使用的工具,以成本有效地评估小麦产量表现.
主要方法:
- 利用深度学习 (DL) 模型,包括Yolact-Plot用于细分和YOLOv7用于尖端量化.
- 用于性能特征评估的天花板图像的综合光谱和纹理分析.
- 基于计算的特征,使用极端梯度提升 (XGBoost) 开发了一种收益分类模型.
主要成果:
- CropQuant-Air准确地检测小麦,并量化每平方米的数 (SNpM2).
- 该系统展示了计算结果和手动评分之间的显著正相关性,验证了其可靠性.
- 人工智能模型在各种数据集上受过训练,从而能够分析来自中国主要生产地区的数百种小麦品种.
结论:
- CropQuant-Air提供了一种可靠且具有成本效益的解决方案,用于自动化,大规模的小麦表型.
- 该系统的用户友好的图形界面使得先进的作物分析可供非专家用户使用.
- 这项工作推进了基于产量的田间表型,为改善小麦育种和作物管理提供了有价值的工具包.
