从采集的图像中估计干水的潜力,该方法是基于桃树的现场噪声强度的深度回归方法

科学领域:

• 农业科学 农业科学
• 植物生理学 植物生理学
• 计算机视觉 计算机视觉

背景情况:

• 田间生长的桃树由于其大小和复杂的结构,对缺水压力检测具有挑战性.
• 精确监测树木水的状态对于优化灌和管理作物产量至关重要.

研究的目的:

• 开发和验证一种基于深度学习的方法,用于精确检测大型野外生长的桃树的缺水压力.
• 通过分析图像数据建立一个强大的系统来诊断水的状态.

主要方法:

• 从野外种植的桃树中获得了广泛的图像数据集,这些数据集是在部分分离处理引起的不同水状态条件下获得的.
• 利用深度学习回归模型从数千个视频中预测茎水潜力 (Ψstem).
• 实施了从视频中预测的 Ψstem 值的平均方法,以表示单个分支的水状态.

主要成果:

• 深度学习模型在平均框架预测后,在测量和预测的茎水潜力 (Ψstem) 之间实现了高的确定系数 (0.927).
• 平均技术有效地减少了噪音,并为每个树提供了代表性的水状态值.
• 开发的方法在诊断复杂树木结构中的缺水压力方面表现出强大.

结论:

• 深度学习回归,结合框架平均化,为诊断大型野外生长的桃树的缺水压力提供了一种精确而强大的方法.
• 这种基于图像的方法克服了复杂树木形态所带来的挑战.
• 该技术提供了一个可靠的工具,用于实时监测果园中的水状态.