一个基于CNN的模型来计算花植物的叶子 (LC-Net)

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:

• 植物图像分析对于植物表型定型至关重要,有助于增长评估和预测.
• 叶面积细分和计数是测量植物生长的关键指标.
• 现有的方法需要强大的模型来准确计数叶子.

研究的目的:

• 开发一种基于卷积神经网络 (CNN) 的新型叶子计数模型,称为LC-Net.
• 通过将细分的叶子部分作为额外的输入来提高叶子计数的准确性.
• 为了评估LC-Net的表现与其他最先进的CNN模型相比.

主要方法:

• 开发了LC-Net,一种基于CNN的叶子计数模型.
• 使用SegNet对叶子部分进行细分,性能优于DeepLab V3+,Fast FCN,U-Net和Refine Net.
• 在植物表型化 (CVPPP) 和KOMATSUNA数据集中的计算机视觉问题组合上训练和测试LC-Net.

主要成果:

• 与其他测试的CNN模型相比,LC-Net在叶子计数方面表现优异.
• 主观和数值评估都证实了LC-Net的有效性.
• 包括细分的叶子部分显著提高了模型的准确性.

结论:

• LC-Net代表了基于CNN的叶子计数在植物表型化中的重大进步.
• 该模型利用细分的叶子数据的能力为植物生长分析提供了更精确的方法.
• LC-Net显示出在精密农业和植物学研究中的应用潜力很大.