StripeRust-Pocket:一个基于移动的深度学习应用程序,用于有效评估小麦条纹的疾病严重程度
Weizhen Liu1,2,3, Yuxi Chen1,3, Zhaoxin Lu1
1School of Computer Science and Artificial Intelligence, Wuhan University of Technology, Wuhan, Hubei 430070, China.
Plant phenomics (Washington, D.C.)
|July 24, 2024
概括
一个新的移动应用程序,StripeRust-Pocket,使用深度学习来准确评估小麦条纹的严重程度. 该工具通过从叶子图像提供快速,可靠的疾病评估,有助于疾病耐药性繁殖和管理.
科学领域:
- 植物病理学 植物病理学
- 计算机视觉 计算机视觉
- 农业技术 农业技术
背景情况:
- 小麦条纹是全球小麦生产的重大威胁.
- 准确的疾病严重程度评估对于育种和管理至关重要.
- 现有的方法可能是耗时和劳动密集的.
研究的目的:
- 开发一种实用的,基于移动的深度学习解决方案,用于量化小麦条纹生严重程度.
- 创建一个用户友好的应用程序,集成图像采集,分析和数据管理.
- 引入一个高效的模型辅助标签管道,以减少注释时间.
主要方法:
- 开发了StripeRust-Pocket,这是一款使用双阶段深度学习模型 (StripeRustNet) 进行叶子和病变细分的移动应用程序.
- 雇佣了MobileNetV2-DeepLabV3+用于叶片细分和ResNet50-DeepLabV3+用于病变细分.
- 实施了2个阶段的模型辅助标签管道,结合了自动和手动校正.
主要成果:
- StripeRustNet实现了高细分精度:98.65%的叶子MIoU和86.08%的病变MIoU.
- 该应用程序与专家对现场图像的视觉评分有很强的相关性 (平均值>0.964).
- 模型辅助标签使每张图像的注释时间从20分钟减少到3分钟.
结论:
- StripeRust-Pocket为小麦条纹生严重程度评估提供了一种高效和实用的解决方案.
- 该技术使育种者和病理学家能够及时管理疾病.
- 这项工作解决了"最后一英里"的挑战,即将计算机视觉应用于植物现象学.


