基于SfM-MVS算法与GRNN结合的大豆植物特征参数的提取
Wei He1, Zhihao Ye2, Mingshuang Li3
1College of Engineering, Nanjing Agricultural University, Nanjing, China.
Frontiers in plant science
|August 10, 2023
概括
本研究介绍了使用智能手机图像和运动结构 (SFM) 对大豆植物的3D重建方法. 该技术准确地测量了植物特征,并有助于品种识别,为手工方法提供了更快,更客观的替代方案.
科学领域:
- 农业科学 农业科学
- 计算机视觉 计算机视觉
- 植物现象学 植物现象学
背景情况:
- 大豆是全球重要的作物,对营养和工业至关重要.
- 准确的表型测量对于大豆育种和产量改善至关重要.
- 目前的手动测量方法是主观的,劳动密集型和缓慢的.
研究的目的:
- 为大豆植物开发一种非破坏性的,自动化的3D重建和表型化方法.
- 克服大豆研究中手动表型测量的局限性.
- 为了能够准确地测量形态特征和识别大豆品种.
主要方法:
- 利用运动结构 (SFM) 来从智能手机图像中重建大豆植物的3D点云.
- 应用数据融合技术 (低通波,高斯波,OLS,拉普拉斯光滑) 用于植物结构 (茎,叶) 的自动细分.
- 开发了一种叶子表型测量 (LPM) 算法,用于量化11个形态特征,并使用机器学习模型 (SVM,BP,GRNN) 进行品种预测.
主要成果:
- 3D重建方法在测量植物高度,叶子长度和叶子宽度方面取得了高准确性,具有较低的根平均平方误差 (RMSE) 和平均绝对百分比误差 (MAPE).
- 测量特征的确定系数 (R2) 高,表明与实际值有很强的相关性.
- 在基于叶子参数的预测大豆植物物种方面,GRNN模型获得了最高的准确性 (0.9211).
结论:
- 拟议的3D重建和表型化方法有效地从大豆植物中非破坏性地提取详细的表型信息.
- 与手动测量相比,这种自动化方法在速度,客观性和准确性方面提供了显著的改进.
- 该方法显示了在其他厚叶植物的表型化中应用的潜力,推进了高通量植物研究.
