果实视觉:基于深度学习的框架,用于使用果实和叶子图像进行二次代谢物类预测
Neeraja M Krishnan1, Saroj Kumar1, Binay Panda1,2
1School of Biotechnology, Jawaharlal Nehru University, New Delhi, India.
PloS one
|August 8, 2024
概括
深度学习模型仅使用图像来预测尼姆果中的代谢物度. 这样可以简化选择树木,以便在没有实验室分析的情况下收集有价值的二次代谢物.
科学领域:
- 农业科学 农业科学
- 计算机科学 计算机科学
- 生物技术是生物技术.
背景情况:
- 果实含有有价值的二次代谢物,但它们的分析是昂贵和耗时的.
- 代谢物度在树木之间差异很大,这使得有效的果实采集复杂化.
- 现有的分析方法对于基于现场的树木选择是不实用的.
研究的目的:
- 开发深度学习模型,仅使用水果和叶子图像来预测二次代谢物度类 (高或低).
- 评估基于图像的预测的可行性,以简化现场树木选择.
- 创建一个移动应用程序,用于实时决策水果收集.
主要方法:
- 收集了来自野生尼姆树的1045个水果和叶子图像.
- 使用HPLC测量了五种主要代谢物的度 (阿扎迪拉克,脱乙-沙兰宁,沙兰宁,尼姆宾,尼姆玻利德).
- 训练并评估了七个深度学习模型 (YOLOv5,GoogLeNet,InceptionNet,EfficientNet_B0,Resnext_50,Resnet18,SqueezeNet) 用于代谢物类预测.
- 开发了一个多分析框架,并将其集成到一个Android移动应用程序中 (Fruit-In-Sight).
主要成果:
- 最好的深度学习模型获得F1测试得分为0.88.8.
- 多分析框架显著提高了预测准确性,在高代谢物和低代谢物类别中达到100%的特异性.
- 果实在视线应用程序提供基于图像分析的"选择"或"不选择"建议.
结论:
- 基于图像的深度学习模型可以准确地预测水果中的二次代谢物度类.
- 这种方法不需要昂贵的实验室设备和复杂的分析程序.
- 开发的移动应用程序提供了一个实用的解决方案,可以有效地和有针对性地从选定的树上收集水果.
