基于图像处理和深度学习的Brassica napus树叶面积的非破坏性监测方法
Mengcheng Li1, Yitao Liao1, Zhifeng Lu2
1College of Engineering, Huazhong Agricultural University, Wuhan, China.
Frontiers in plant science
|August 3, 2023
概括
一个新的设备使用图像处理和深度学习来准确地测量油菜叶面积的非破坏性. 与手工技术相比,这种自动化方法提高了准确性和速度,有助于监测植物生长.
科学领域:
- 农业科学 农业科学
- 植物生理学 植物生理学
- 计算机视觉 计算机视觉
背景情况:
- 叶面积对于光合作用和植物生长至关重要.
- 像营养缺乏一样,非生物压力会影响叶子的生长.
- 精确的植物叶面积监测对于农业至关重要.
研究的目的:
- 开发一种非破坏性监测设备,用于Brassica napus (大麻) 叶面积.
- 利用图像处理和深度学习进行准确的叶面积测量.
- 将拟议的设备与传统的手动和拉伸方法进行比较.
主要方法:
- 设计了一种基于图像处理的设备,配有图像采集单元和深度学习网络 (UNet-Attention).
- 在五种营养修改治疗中收集了1,080张兰叶片图像.
- 使用自动装置获取数据,并与手动和拉伸方法进行比较.
主要成果:
- 自动装置实现了高精度,线方法显示0.65%的错误率.
- 与手动方法相比,精度提高了11.47%,与拉伸方法相比提高了4.98%.
- 在UNet-Attention模型中,工会 (mIoU) 的平均交叉率达到90%.
结论:
- 开发的自动采集叶片设备为监测菜叶片面积提供了速度和自动化优势.
- 与该设备集成的 splint 方法提供了高预测准确度,对植物生长的影响最小.
- 这项技术增强了在各种条件下了解植物生长状态的能力.
