基于图像的小麦的分类通过使用卷积神经网络的黄青春期
Nikita V Artemenko1,2, Mikhail A Genaev1,3, Rostislav Ui Epifanov2
1Institute of Cytology and Genetics of the Siberian Branch of the Russian Academy of Sciences, Novosibirsk, Russia.
Frontiers in plant science
|January 29, 2024
概括
这项研究引入了一种新的AI方法,用于使用卷积神经网络识别小麦青春期. 开发的模型准确地从尖峰图像中分类了色青春期,有助于抗压品种的选择.
科学领域:
- 农业科学 农业科学
- 计算机视觉 计算机视觉
- 植物形态学植物形态学
背景情况:
- 青春期是一种关键的植物特征,增强了对干旱和害虫等环境压力的抵抗力.
- 在小麦中,黄 pubescence 是品种分类的关键形态标记.
- 目前用于确定青春期的方法是主观的或劳动密集的.
研究的目的:
- 开发一种自动化,客观的方法来确定小麦黄的青春期.
- 为了完成这一任务,利用数字成像和卷积神经网络 (CNN).
- 改善选择耐压力小麦品种.
主要方法:
- 使用U-Net与EfficientNet-B1编码器进行图像细分,以隔离小麦.
- 使用CNN架构 (Resnet-18,EfficientNet-B0,EfficientNet-B1) 来分类阴青春期 (青春期/阴青春期).
- 在9,719个尖峰图像的数据集上进行培训和测试.
主要成果:
- 该U-Net模型实现了高分段精度 (IoU = 0.947的体).
- EfficientNet-B1显示出优异的分类性能 (测试:F1 = 0.85,AUC = 0.96;持久:F1 = 0.84,AUC = 0.89). 由于其使用率较高,因此该测试的结果是:
- 更高的图像放大和减少扭曲改善了预测准确性.
结论:
- 使用CNN的综合方法有效地自动化了青春期的决定.
- 这种人工智能驱动的方法为人工分类提供了一个客观而有效的替代方案.
- 这些发现支持在植物育种中使用人工智能来识别可取的特征,例如抗压能力.
