自动根长度估计从在现场获得的图像,没有细分
Faina Khoroshevsky1, Kaining Zhou2,3, Sharon Chemweno4,3
1Department of Industrial Engineering and Management, Ben-Gurion University of the Negev, Beer Sheva, Israel.
Plant phenomics (Washington, D.C.)
|January 17, 2024
概括
这项研究引入了一种快速的人工智能方法,用于估计微观图像的总根长度,以帮助精准农业. 这些模型准确地量化了根生长而不需要手动细分,提高了作物研究效率.
科学领域:
- 植物科学 植物科学
- 农业技术 农业技术
- 计算机视觉 计算机视觉
背景情况:
- 微微基子子 (MR) 成像对于了解环境变化在现场的根反应至关重要.
- 手动分析MRI图像是劳动密集型的,并且限制了高通量表型.
- 需要自动化根分析来加速研究和支持精准农业.
研究的目的:
- 适应和评估卷积神经网络 (CNN) 模型,以直接从微观图像中估计总根长度 (TRL).
- 为了比较基于回归和基于检测的CNN模型对TRL估计的性能.
- 为各种作物物种的根系表型提供一个强大而有效的工具.
主要方法:
- 开发和调整CNN模型用于TRL估计,绕过图像细分.
- 使用Rootfly软件的手册注释来训练数据.
- 通过使用两个MR系统,对四种作物 (玉米,胡,西瓜,西红) 的4015张图像进行了训练和验证.
主要成果:
- 与手动测量相比,CNN模型在估计TRL方面取得了很高的准确性 (R2 = 0.9290.986).
- 基于检测的模型有助于对根注释进行视觉检查.
- 模型在不同的MR系统,作物物种和图像质量中展示了强度.
结论:
- 开发的基于CNN的工具准确有效地估计了MR图像的TRL,克服了手动分析的局限性.
- 这项技术通过实时监控根生长,支持精准农业.
- 公共可用的数据集和模型将促进根类表型的进一步进步.
