优化玉米焦油点测量:使用红-绿-蓝成像和树叶轮检测算法进行叶片级疾病严重性分析的深度学习方法

科学领域:

• 农业科学 农业科学
• 植物病理学 植物病理学
• 计算机视觉 计算机视觉

背景情况:

• 在玉米中精确量化焦油斑病的依赖于视觉检测树状体.
• 现有的 stromata 检测方法在准确性和参数优化方面存在局限性.
• 季节早期的疾病监测对于有效的焦油斑管理至关重要.

研究的目的:

• 开发和验证一种改进的算法 (SCDA v2),用于在玉米叶上自动检测焦油斑 stromata.
• 为了解决SCDA v1的局限性,特别是需要经验参数搜索.
• 与以前的方法相比,在 stromata 检测中实现更高和更一致的准确性.

主要方法:

• SCDA v2将SCDA v1用于区域提案生成与预训练的卷积神经网络 (CNN) 分类器相结合.
• 该算法在红绿蓝 (RGB) 图像上进行了测试,这些图像来自田间和温室条件的玉米叶子.
• 性能使用准确度指标进行评估,包括F1得分,线性回归和林对应关系与人类注释.

主要成果:

• SCDA v2显示与参考数据的一致性明显高于SCDA v1.
• 对于SCDA v2的平均子值 (整体准确率) 是73.7%,而对于SCDA v1.1,则为30.8%.
• 在SCDA v2中的CNN分类器有效地减少了高估值,提高了F1的得分.

结论:

• SCDA v2 提供了一种强大而准确的解决方案,用于自动检测焦油斑 stromata.
• 该算法显示出在作物监测和表型化中大规模应用的巨大潜力.
• 这一进步有助于制定更及时,更有效的玉米斑病管理策略.