使用RGB图像预测小麦粒填充阶段的不同机器学习算法的比较
Yunlin Song1, Zhuangzhuang Sun1, Ruinan Zhang1
1National Technique Innovation Center for Regional Wheat Production, Key Laboratory of Crop Ecophysiology, Ministry of Agriculture, Nanjing Agricultural University, Nanjing 210095, China.
Plants (Basel, Switzerland)
|December 9, 2023
概括
本研究介绍了用于使用RGB图像监测小麦发育的WheatGrain数据集. 深度学习,特别是视觉变压器 (ViT),在预测解剖后几天 (DAA) 中显示出卓越的准确性,以改善作物管理.
科学领域:
- 农业科学 农业科学
- 计算机视觉 计算机视觉
- 机器学习 机器学习
背景情况:
- 小麦谷物填充对于产量至关重要,但易受环境压力的影响,如高温.
- 监测小麦谷物发展对于及时的农业干预和产量优化至关重要.
- 现有的追踪谷物发育的方法缺乏从视觉数据的定量精度.
研究的目的:
- 开发一个全面的数据集 (小麦谷物) 来分析小麦谷物填充动态.
- 用小麦粒的RGB图像来量化预测解剖后几天 (DAA).
- 为了比较传统机器学习,深度学习和少量学习对DAA预测的有效性.
主要方法:
- 创建了WheatGrain数据集,包括数千个小麦谷物的RGB图像,从6到39 DAA.
- 实施和评估随机森林 (RF),深度学习模型 (包括视觉转换器 - ViT) 和少数射击学习算法.
- 基于DAA预测的精度,回忆和准确度对模型性能进行比较分析.
主要成果:
- 深度学习算法显著超过了传统的机器学习 (随机森林).
- 视觉转换器 (ViT) 在深度学习模型中实现了最高的精度 (99.03%) 和回忆 (99.00%).
- 在5次拍摄的场景中,Few-shot学习显示出高精度 (96.86%) 和回忆 (96.67%),表明其对有限数据的细粒度识别有用.
结论:
- 小麦谷物数据集使小麦谷物填充动态的快速监测成为可能.
- ViT提高了DAA预测的深度学习性能,而少量学习则减少了数据需求.
- 这种方法为监测小麦发展提供了一种新的方法,有助于预防灾害和提高产量.
更多相关视频
08:47Author Spotlight: UAV Remote Sensing for Efficient Invasive Plant Biomass Estimation
Published on: February 9, 2024
1.4K
10:25Construction of Models for Nondestructive Prediction of Ingredient Contents in Blueberries by Near-infrared Spectroscopy Based on HPLC Measurements
Published on: June 28, 2016
10.7K
