先进的深度学习模型用于表型特征提取和枝种类分类,使用光子计数微型CT成像
Mengjia Xue1, Siyi Huang1, Wenting Xu2
1Institute of Radiation Medicine, Fudan University, Shanghai, China.
Frontiers in plant science
|March 15, 2024
概括
先进的光子计数微型CT和深度学习模型精确地描述了果的表型. 这种非破坏性成像方法显著改善了枝品种的识别和分类.
科学领域:
- 农业学研究 农业学研究
- 植物表型定型 植物表型定型
- 非破坏性的成像成像.
背景情况:
- 当代农学研究强调非破坏性成像和精确的表型特征.
- 一个具有先进探测器的新型光子计数微型CT系统使得微米级成像和果全能频谱捕获成为可能.
研究的目的:
- 开发和应用深度学习模型来自动测量果的表型特征.
- 利用机器学习来识别关键特征和分类不同的百合花种.
主要方法:
- 开发了七个基于卷积神经网络 (CNN) 的深度学习模型 (AttentionUNet,DeeplabV3+,SegNet,TransUNet,UNet,UNet++,UNet3+).这些模型包括:
- 适合小样本培训的机器学习技术用于特征选择和分类.
主要成果:
- 开发的模型实现了高性能,子,回忆和精度指数从0.90到0.99不等.
- 整个欧盟的平均交叉点 (MIoU) 值始终在0.88和0.98.8之间.
- 这种方法有效地实现了特征选择和分类,大大提高了枝品种的辨别能力.
结论:
- 这项研究推进了非破坏性植物分析技术.
- 这项研究为探索植物物种内部复杂的表型变异开辟了新的途径,特别是.


