开发一种深度学习的表型化工具,用于分析基于图像的草表型.
Jean Nepo Ndikumana1,2, Unseok Lee1, Ji Hye Yoo1
1Smart Farm Research Center, Korea Institute of Science and Technology (KIST), Gangneung, Republic of Korea.
Frontiers in plant science
|July 30, 2024
概括
一个新的基于图像的草表型化工具 (SPT) 使用深度学习准确测量草植物特征. 这种数字化表型系统提高了检测准确性,并帮助农民做出更好的管理决策,以提高产量.
科学领域:
- 农业科学 农业科学
- 计算机科学 计算机科学
- 植物科学 植物科学
背景情况:
- 传统的草表型化方法是劳动密集型和耗时的.
- 准确测量表型特征对于有效的草植物监测和管理至关重要.
研究的目的:
- 开发基于图像的草表型化工具 (SPT),使用深度学习 (DL) 进行数字草植物表型化.
- 为自然场景或存储图像分析创建一个强大的基于DL的工具.
主要方法:
- 使用两个DL架构 (YOLOv4和U-net) 开发了SPT.
- 创建了两个版本 (V1和V2),数据集大小和注释方法不同 (单个目标与多个目标标签).
- 利用智能手机拍摄的各种背景图像.
主要成果:
- SPT成功地促进了草表型测量.
- 检测准确度从60.24% (V1) 提高到82.28% (V2) 增加了数据和多目标标签.
- 开发了一个基于图像的回归模型来预测新鲜草的重量 (R2 = 0.92).
结论:
- 开发的SPT有效地识别了复杂环境中的六种草表型特征.
- 该工具支持对草植物管理的准确和高效决策,可能提高生产率.
- 该研究强调了DL在推进数字植物表型化方面的有效性.


