图像过,以提高玉米的检测准确度,使用机器学习算法
Eric Rodene1,2, Gayara Demini Fernando3, Ved Piyush3
1Department of Agronomy and Horticulture, University of Nebraska-Lincoln, Lincoln, NE 68583, USA.
Sensors (Basel, Switzerland)
|April 13, 2024
概括
机器学习方法使用无人机图像来自动计算玉米中的玉米. 这些工具通过准确估计开花特征来提高作物增强,从而改善植物育种.
科学领域:
- 农业科学 农业科学
- 植物育种 植物育种
- 遥感 遥感 遥感 遥感
背景情况:
- 基于无人机 (UAV) 的图像对于在植物育种中收集时间序列农学数据至关重要.
- 自动化数据收集和分析对于高效的作物改进计划至关重要.
研究的目的:
- 开发机器学习方法,使用基于无人机的图像,在图片层面上进行自动化塔塞尔计数.
- 评估基于对象的计数通过检测 (CBD) 和基于密度的计数通过回归 (CBR) 方法的准确性.
主要方法:
- 利用空中摄影数据集对233个玉米杂交系进行了利用.
- 开发并比较CBD和CBR机器学习方法.
- 采用图像细分来隔离植物,以改善检测.
主要成果:
- 基于对象 (CBD) 检测实现了过图像 (90%值) 的0.7033的交叉验证预测精度 (r2).
- 基于密度 (CBR) 的方法显示,未过图像 (MAE为7.99) 的精度最好.
- 使用启动的过图像 (90%的门) 的MAE (8.65) 略高于未过图像 (8.90).
结论:
- 开发了精确的机器学习方法,用于在玉米中自动计数玉米.
- 这些方法有助于精确估计与开花有关的特征.
- 该方法支持数据驱动的育种决策,以提高作物改进.
关键词:
无人机成像 无人机成像卷积神经网络是一种卷积神经网络.高通量表型化 (high-throughput phenotyping) 是一种高通量表型化方法.图像细分 图像细分机器学习是机器学习.玉米子检测检测器对象检测检测对象检测对象检测更多相关视频
06:41Imaging and Analysis for Quantifying Maize (Zea mays) Abiotic Stress Phenotypes
Published on: March 28, 2025
795
06:11Author Spotlight: Improved Methods for Preparing Transverse Sections and Unrolled Whole Mounts of Maize Leaf Primordia for Fluorescence and Confocal Imaging
Published on: September 22, 2023
2.9K
