ScabyNet是一个用户友好的应用程序,用于通过深度学习和形态特征来检测土豆茎中的普通
Fernanda Leiva1, Florent Abdelghafour2, Muath Alsheikh3,4
1Department of Plant Breeding, Swedish University of Agricultural Sciences (SLU), P.O. Box 190, 23422, Lomma, Sweden. Fernanda.leiva@slu.se.
Scientific reports
|January 13, 2024
概括
图像处理工具ScabyNet准确地对土豆进行普通 (CS) 严重性的分级. 该系统有助于识别耐的土豆品种,并维持市场标准.
科学领域:
- 农业科学 农业科学
- 计算机视觉 计算机视觉
- 植物病理学 植物病理学
背景情况:
- 普通 (CS) 显著影响土豆质量和市场价值.
- 精确的CS严重性分级对于土豆的繁殖和贸易至关重要.
研究的目的:
- 引入ScabyNet,这是一个图像处理方法,用于在土豆中对CS进行分类.
- 开发一个可负担的表型和疾病检查的操作工具.
主要方法:
- 结合色彩形态分析与深度学习技术在ScabyNet应用程序中.
- 开发了两个模块:一个用于茎识别和特征提取,另一个用于CS检测和量化.
- 使用了7154张土豆片单个图像的数据集.
主要成果:
- 斯卡比网准确地检测和量化了CS严重程度的五个类别.
- 该系统估计了管质量特征,并简化了成像过程.
- 证明了ScabyNet的实用性,作为一种负担得起的表型化系统,用于选择耐的基因型.
结论:
- 斯卡比网提供了一种有效和可操作的解决方案,用于在土豆茎中对CS进行分类.
- 该工具支持选择耐的土豆品种,同时确保可销售性.
- 这种方法提高了土豆行业的疾病检查和质量评估.
