使用RGB图像从一个新的多年,多级数据集的高效非侵入性FHB估计
Dominik Rößle1, Lukas Prey2, Ludwig Ramgraber3
1AImotion Bavaria, Technische Hochschule Ingolstadt, Ingolstadt, Germany.
Plant phenomics (Washington, D.C.)
|July 17, 2023
概括
一个新的非侵入性模型使用RGB图像对小麦的Fusarium头部炎症 (FHB) 严重程度进行分类,为传统方法提供了更快,更便宜的替代方案. 这种自动化系统有助于加速疾病耐药性繁殖.
科学领域:
- 农业科学 农业科学
- 植物病理学 植物病理学
- 计算机视觉 计算机视觉
背景情况:
- 虫头炎 (Fusarium head blight,简称FHB) 是一种主要的小麦疾病,导致大量的产量损失和健康问题.
- 目前的FHB表型化方法昂贵且劳动密集,阻碍了快速繁殖的努力.
- 客观和有效的FHB严重性评估对于开发耐药小麦品种至关重要.
研究的目的:
- 开发一种非侵入性分类模型,用RGB图像来估计Fusarium头部炎症 (FHB) 的严重程度.
- 为FHB严重性评估创建一个新的,大规模的数据集.
- 评估模型在不同年份的性能和通用性.
主要方法:
- 使用预训练的EfficientNet (b0) 模型,作为FHB严重程度分类的回归模型进行调整.
- 开发了一个需要最小的图像预处理的分类模型,接受来自低成本RGB相机的图像.
- 引入了一个包含大约3000张2020-2022年图像的数据集,并进行了双级严重性评估.
主要成果:
- 该模型实现了高个体网络对评分器的可靠性,超过了评分器之间的可靠性.
- 在经过多年的数据培训和在独立数据上进行测试时,表现出显著的概括能力.
- 与一年培训相比,多年培训改善了绩效指标 (例如,准确性,kappa) 并减少了错误.
结论:
- 拟议的轻量级模型为FHB严重性评估提供了一个自动化,客观和成本效益的解决方案.
- 该模型跨年通用的能力对于强大的现场部署至关重要.
- 在移动设备上部署的潜力,使广泛和可访问的FHB表型化.
