SCAG:一种分层,集群和基于生长的算法,用于大豆枝角提取和理想植物架构评估
Songyin Zhang1, Yinmeng Song1,2, Ran Ou1,2
1Plant Phenomics Research Centre, Academy for Advanced Interdisciplinary Studies, Collaborative Innovation Centre for Modern Crop Production cosponsored by Province and Ministry, State Key Laboratory of Crop Genetics and Germplasm Enhancement, Nanjing Agricultural University, Nanjing 210095, China.
Plant phenomics (Washington, D.C.)
|July 24, 2024
概括
一个新的算法,SCAG,准确地检测大豆树枝,并从LiDAR数据计算角度. 这种方法确定了评估大豆对种植密度的耐受性的新特征,从而推进了植物表型.
科学领域:
- 植物科学 植物科学
- 农业工程 农业工程
- 计算机视觉 计算机视觉
背景情况:
- 三维 (3D) 现象定型对于了解植物结构和功能至关重要.
- 光检测和测距 (LiDAR) 是用于3D植物表型的关键技术,捕获详细的3D点云.
- 从LiDAR数据中准确地检测器官水平的分支和角度特征提取仍然具有挑战性,因为目标大小,数据稀疏性和噪声.
研究的目的:
- 开发和验证使用LiDAR数据检测大豆分支和计算分支角度的新型算法.
- 评估开发的算法的性能与现有方法相比.
- 为了确定新的可遗传和可重复的3D特征来评估大豆的密度耐受性.
主要方法:
- 开发基于分层,集群和增长的算法 (SCAG) 用于分支检测和角度计算.
- 在各种大豆品种上使用F-score和相关系数 (r) 评估SCAG的准确性.
- 与支持矢量机和基于密度的算法相比,SCAG性能的比较.
- 在两年内将SCAG应用于大豆品种的大数据集,以量化3D特征.
主要成果:
- 在分支检测 (F-score = 0.77) 和分支角度计算 (r = 0.84) 中,SCAG实现了高精度.
- SCAG显著优于支持向量机 (F-score = 0.53) 和基于密度的方法 (F-score = 0.55).
- 新的遗传性特征,如平均角度与高度的比率,被确定用于评估大豆密度耐受性,显示出比传统特征更大的潜力.
结论:
- SCAG算法代表了大豆3D植物表型和植物架构选中的重大进步.
- 鉴定的新型特征为选择具有增强密度耐受性的大豆品种提供了更好的潜力.
- 算法和公共数据集的开源性质将有利于更广泛的植物科学社区进行作物改进.
