基于深度学习的玉米的三维分支和表型提取基于深度学习的玉米
Wenqi Zhang1,2,3, Sheng Wu1,2, Weiliang Wen1,2
1Information Technology Research Center, Beijing Academy of Agriculture and Forestry Sciences, Beijing, 100097, China.
Plant methods
|August 1, 2023
概括
一个自动化系统,MaizeTasselSeg,被开发用于使用不完整的点云数据注释进行玉米分析. 这种方法有效地细分了子器官,并提取了植物研究的关键表型特征.
科学领域:
- 植物科学 植物科学
- 计算生物学 计算生物学
- 农业技术 农业技术
背景情况:
- 玉米形态对于植物生长,繁殖和产量至关重要.
- 准确的表型定型对于特异性,均性和稳定性 (DUS) 测试至关重要.
- 点云深度学习提供了自动化的玉米特征获取,但需要大量的数据集和与附着器官的斗争.
研究的目的:
- 开发一种高效的玉米骨器官细分和表型分析方法.
- 创建一个自动化系统,用于高吞吐率的玉米的表型.
- 解决现有的点云深度学习方法对植物器官细分的局限性.
主要方法:
- 为点云数据提出了一种创新的不完整注释方法.
- 开发了MaizeTasselSeg系统,使用PointNet++进行尖端特征学习和细分.
- 用最短路径算法来完成分支细分.
主要成果:
- 这种MaizeTasselSeg系统实现了高分段精度 (IoU: 96.29%,精度: 96.36%,回忆: 93.01%).
- 六个形态特征 (分支数,长度,角度,曲率,体积,分散) 被自动提取.
- 在关键特征中观察到高相关系数 (R2值高达0.9897) 和低RMSE.
结论:
- 拟议的方法提供了一个高通量玉米骨器官细分的高效方案.
- 该系统可以自动提取玉米的表型特征.
- 不完整注释方法为基于形态的植物细分提供了一个新的策略.
更多相关视频
06:41Imaging and Analysis for Quantifying Maize (Zea mays) Abiotic Stress Phenotypes
Published on: March 28, 2025
927
06:11Author Spotlight: Improved Methods for Preparing Transverse Sections and Unrolled Whole Mounts of Maize Leaf Primordia for Fluorescence and Confocal Imaging
Published on: September 22, 2023
3.0K
