提高大米和小麦作物的绿色分数估计:一种自我监督的深度学习语义细分方法
Yangmingrui Gao1, Yinglun Li1, Ruibo Jiang1
1Plant Phenomics Research Centre, Academy for Advanced Interdisciplinary Studies, Jiangsu Collaborative Innovation Center for Modern Crop Production, Nanjing Agricultural University, Nanjing, China.
Plant phenomics (Washington, D.C.)
|July 20, 2023
概括
一个新的自我监督策略通过使用模拟到真实图像进行深度学习细分来改进作物绿色分数 (GF) 估计. 这种方法提高了在米和小麦育种计划中的辐射使用效率监测.
科学领域:
- 农业科学 农业科学
- 计算机视觉 计算机视觉
- 深度学习 (Deep Learning) 是一种深度学习.
背景情况:
- 绿色分数 (GF) 对于评估作物光接收和识别高辐射使用效率基因型至关重要.
- 准确的GF估计依赖于高质量的细分数据集和强大的图像细分方法.
- 目前的注释方法昂贵,可能缺乏准确性,阻碍了GF监控.
研究的目的:
- 开发一种自我监督的深度学习策略,对大米和小麦田的图像进行语义细分.
- 为了提高细分精度,同时降低GF估计的注释成本.
- 为了弥合模拟和现实世界现场图像之间的现实差距.
主要方法:
- 使用数字植物表型化平台生成大规模模拟数据集 (sim数据集) 的大米和小麦田.
- 使用CycleGAN进行域调整,以创建模拟到现实图像 (sim2real数据集).
- 训练并评估了使用真实,sim和sim2real数据集的三个语义细分模型 (U-Net,DeepLabV3+,SegFormer).
主要成果:
- 在sim2real数据集上训练的SegFormer实现了大米 (精度=0.940,F1=0.937) 和小麦 (精度=0.952,F1=0.935) 的最高细分精度.
- 这种最佳策略也产生了有利的GF估计结果 (大米R2=0.967,小麦R2=0.984).
- 模拟现实方法显示小麦比大米更优越,可能是由于背景差异.
结论:
- 拟议的自我监督策略有效地解决了数据集创建中的高成本和注释不确定性.
- 这种方法显著提高了大米和小麦田地图像的GF估计准确度.
- 开发的战略为作物育种和精准农业提供了有价值的工具.
