自动评分Rhizoctonia皇冠和根腐蚀受影响的甜菜田从正正正的UAV图像使用机器学习的自动评分
Facundo Ramón Ispizua Yamati1, Maurice Günder2, Abel Barreto1
1Institute of Sugar Beet Research (IfZ), DE - 37079 Göttingen, Germany.
Plant disease
|September 27, 2023
概括
在甜菜中,可以使用无人机 (UAV) 图像和人工智能准确检测和得分. 这种自动化的方法改进了传统的专家评分,提供了一个更可靠的疾病监测方法在育种计划.
科学领域:
- 植物病理学 植物病理学
- 农业工程 农业工程
- 计算机科学 计算机科学
背景情况:
- 瑞佐克托尼亚冠状和根腐烂 (RCRR) 导致了甜菜的大量产量和质量损失.
- 传统的疾病评分依赖于手动的专家评估,这是耗时的,主观的,容易产生偏见.
- 开发耐药品种是关键的控制策略,需要在育种试验中准确的表型.
研究的目的:
- 开发和验证一个自动化工作流程,用于检测和评分RCRR在甜菜繁殖试验.
- 利用无人飞行器 (UAV) 图像和机器学习进行精确的疾病评估.
- 为了比较不同的AI模型和图像分析策略对RCRR评分的性能.
主要方法:
- 使用了一种结合红绿蓝 (RGB) 和无人机多光谱图像的工作流.
- 地理引用图像被注释,并训练卷积神经网络 (CNN) 来得分单个患病的植物.
- 机器学习模型,包括随机森林和k-最近的邻居,用于评分整个地块,并纳入单个植物数据.
主要成果:
- 经过定制训练的CNN和预训练的MobileNet在为RCRR评分单个植物方面取得了高精度 (0.73-0.85).
- 一个组合的随机森林和k-最近邻居管道证明了在图片级评分中最好的加权精度 (0.67).
- 整合单个工厂得分显著提高了基于无人机的RCRR自动监测的准确性.
结论:
- 开发的工作流提供了一种可靠的,自动化的方法,用于使用空中图像检测和评分RCRR.
- 人工智能驱动的表型化为植物育种中人工专家评分提供了标准化和准确的替代方案.
- 使用无人机和机器学习对RCRR的自动监测可以提高疾病管理和育种效率.
