基于语义细分的薄种子的太赫兹图像分析研究

科学领域:

• 农业科学 农业科学
• 生物技术是生物技术.
• 图像技术技术的成像技术

背景情况:

• 评估作物种子的表型特征对于农业创新和生殖质增强至关重要.
• 传统的方法由于其坚固的外层,难以对薄种子进行快速,非破坏性的分析.
• 种子的内部结构和质量属性很难在不损坏它们的情况下进行评估.

研究的目的:

• 探索将太赫兹 (THz) 时域光谱和成像与语义细分模型相结合的潜力,以快速,非破坏性地检查作物种子特征.
• 评估深度学习模型 (SegNet和DeepLab V3+) 在西瓜种子中的自动组织细分的性能.
• 为具有薄的种子提供精确的表型特征分析.

主要方法:

• 采集和重建来自120个西瓜种子的THz光谱图像,使用传输成像模式和相关系数方法.
• 基于深度学习的SegNet和DeepLab V3+模型的应用,用于种子组织 (外层和内核) 的自动细分.
• 在速度和准确性方面对SegNet和DeepLab V3+性能进行比较分析.

主要成果:

• 在西瓜种子组织的语义细分方面,DeepLab V3+在速度和准确性方面明显优于SegNet.
• 深度实验室V3+实现了96.69%的像素精度和91.3%的交叉与联盟对外层细分,对内部内核的高精度.
• 这些模型有效地区分了种子外和核,从而实现了精确的表型特征分析.

结论:

• 深度学习,特别是DeepLab V3+,提供了一种熟练的方法,用于快速,非破坏性的薄作物种子的表型特征分析.
• THz成像与语义细分相结合,通过使详细的种子检查成为可能,推动了农业研究和实践.
• 这种方法在农业中对育种创新和生殖质增强具有重大潜力.