机器学习方法用于基于田间和温室的植物图像的自动细分,用于高通量表型化
Frank Gyan Okyere1,2, Daniel Cudjoe1,2, Pouria Sadeghi-Tehran1
1Sustainable Soils and Crops, Rothamsted Research, Harpenden AL5 2JQ, UK.
Plants (Basel, Switzerland)
|September 1, 2023
概括
一个新的神经网络工具准确地对植物进行细分,以便在不同的环境中进行高通量表型化. 这种强大的方法改善了植物科学研究的图像分析.
科学领域:
- 植物科学 植物科学
- 计算机视觉 计算机视觉
- 机器学习 机器学习
背景情况:
- 自动化高通量表型化依赖于准确的图像细分.
- 传统的方法在复杂的田间和温室环境中扎.
研究的目的:
- 开发一个快速,强大的神经网络细分工具,用于植物表型.
- 能够在各种环境条件下进行高通量分析.
主要方法:
- 获得了牛和小麦的图像,跨越生长周期和营养水平.
- 转换了RGB图像,提取了24种颜色特征,并选择了敏感特征.
- 训练了一个多层感知子网络 (MLP),并将其与SVM,RF,ExG和ExGR方法进行比较.
主要成果:
- 拟议的MLP方法实现了超过98%的像素分类准确度.
- 基于MLP的细分优于传统和颜色指数方法.
- 使用MLP细分图像的回归模型准确预测了土壤植物分析发展 (SPAD) 值.
结论:
- 开发的MLP工具为植物图像细分提供了强大而准确的解决方案.
- 这种方法对于高通量工厂表型化数据分析管道至关重要.
- 该技术证明了适应不同环境条件的适应性.
