在复杂环境下使用改进的深度学习方法检测玉米中的叶子滚动
Yuanhao Wang1,2, Xuebin Jing1,2, Yonggang Gao3
1College of Computer Science and Technology, Taiyuan University of Technology, Taiyuan, 030024, China.
Plant molecular biology
|August 23, 2024
概括
研究人员开发了LRD-YOLO,这是一款用于检测玉米中叶子滚动的AI模型. 这种自动化方法在具有挑战性的条件下准确地识别了叶子滚动,改善了作物耐压力研究.
科学领域:
- 农业科学 农业科学
- 植物生物学 植物生物学
- 计算机视觉 计算机视觉
背景情况:
- 叶子滚动是植物适应环境压力的关键方式.
- 了解叶子滚动机制可以提高作物应激耐受性,特别是玉米.
- 精确检测叶子滚动至关重要,但在手动方法中具有挑战性.
研究的目的:
- 开发一种高通量检测玉米中叶子滚动的高通量方法.
- 为了提高对应激应对压力的叶子滚动表型的理解.
- 通过先进的表型定型,提高作物中的应激耐受性.
主要方法:
- 使用YOLOv8模型来检测玉米中的叶子滚动.
- 集成了一个卷积块注意模块,用于增强特征提取.
- 集成的可变形 ConvNets v2 为改善适应形状和尺寸变化的能力.
主要成果:
- 在一个复杂的数据集上实现了81.6%的平均精度.
- 与现有最先进的方法相比,表现出优越的性能.
- LRD-YOLO模型具有8.0G浮点运算和3.48M参数的计算效率.
结论:
- LRD-YOLO为玉米叶子滚动检测提供了一种创新和有效的解决方案.
- 该模型准确地检测了复杂的场景中的叶子滚动,其中包括阻塞和尺度变化.
- 该方法支持实时推断,促进农业研究中的快速表型化.
更多相关视频
06:11Author Spotlight: Improved Methods for Preparing Transverse Sections and Unrolled Whole Mounts of Maize Leaf Primordia for Fluorescence and Confocal Imaging
Published on: September 22, 2023
2.8K
06:21Micron-scale Phenotyping Techniques of Maize Vascular Bundles Based on X-ray Microcomputed Tomography
Published on: October 9, 2018
8.8K
