地方提炼机制,以改善杂乱的背景中的植物叶片细分
Ruihan Ma1,2, Alvaro Fuentes1,2, Sook Yoon3
1Department of Electronics Engineering, Jeonbuk National University, Jeonbuk, Republic of Korea.
Frontiers in plant science
|September 15, 2023
概括
本研究介绍了一种深度学习方法,用于在具有挑战性的野外条件下准确地对植物叶片进行细分. 该方法增强了图像处理,用于更好的表型和智能农业应用.
科学领域:
- 农业科学 农业科学
- 计算机视觉 计算机视觉
- 植物生物学 植物生物学
背景情况:
- 植物表型为了解作物生长至关重要,需要准确的数据收集.
- 目前的基于图像的表型化方法与现实世界的场景条件 (如图像模糊和遮) 相斗争.
- 自动叶片细分对于导出叶片数量和大小等表型特征至关重要.
研究的目的:
- 开发基于深度学习的叶子实例细分方法,以改善植物表型.
- 在混乱的农业环境中使用本地精炼机制来提高细分性能.
- 为智能农业实现表型数据的自动识别.
主要方法:
- 采用了深度学习架构来对叶子实例进行细分.
- 整合了利用高斯低通和高提升过器的本地精炼机制.
- 改进机制在不同内核大小的训练和测试数据集上进行了测试.
- 实验是在一个番茄叶数据集上进行的.
主要成果:
- 拟议的方法准确地在复杂的背景下对番茄叶进行了细分.
- 具有较大的内核大小的高提升过器增加了检测到的叶子实例的数量.
- 较大的高斯低通芯尺寸对预测性能产生了负面影响.
- 该系统成功地促进了表型信息的导出.
结论:
- 通过局部改进的深度学习方法,有效地应对现实世界植物表型化方面的挑战.
- 这种方法可以自动识别表型数据,支持智能农业倡议.
- 这些发现有助于通过增强表型来提高作物产量和农业生产率.
更多相关视频
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
08:14LeafJ: An ImageJ Plugin for Semi-automated Leaf Shape Measurement
Published on: January 21, 2013
28.5K
