在基于点线网的RGB图像中识别和定位玉米叶和茎的轨迹
Bingwen Liu1,2, Jianye Chang2, Dengfeng Hou1,2
1College of Computer Science and Technology (College of Data Science), Taiyuan University of Technology, Taiyuan 030024, Shanxi, China.
Plant phenomics (Washington, D.C.)
|December 18, 2024
概括
研究人员开发了Point-Line Net,这是一种用于在玉米田中自动检测植物表型的深度学习方法. 这种人工智能方法准确地确定了叶子和茎的数量和生长轨迹,提高了作物育种的效率.
科学领域:
- 农业科学 农业科学
- 计算机视觉 计算机视觉
- 植物生物学 植物生物学
背景情况:
- 植物表型检测对于农业和作物育种至关重要,为生长和环境反应提供了洞察力.
- 量化植物特征的传统方法,如叶数和生长轨迹,是劳动密集型和昂贵的.
- 在复杂的现场环境中,深度学习面临着诸如遮和复杂的背景等挑战,以准确进行植物分析.
研究的目的:
- 探索深度学习用于在玉米田中自动获取植物表型的应用.
- 开发一种方法,使用现场图像来确定叶子和茎的数量和生长轨迹.
- 通过人工智能驱动的表型化来提高植物育种的效率.
主要方法:
- 开发了Point-Line Net,这是一个基于Mask R-CNN框架的深度学习模型.
- 利用来自玉米田的RGB图像来自动识别植物结构.
- 引入了一个轻量级的关键点检测分支,用于精确的定位和增长跟踪.
主要成果:
- 点线网实现了81.5%的对象检测精度 (mAP50).
- 关键点检测分支表现出有效性,自定义距离验证指数为33.5.5.
- 该方法成功确定了玉米叶和茎的数量和生长轨迹.
结论:
- 点线网提供了一个有前途的AI驱动解决方案,用于在具有挑战性的现场条件下自动检测植物表型.
- 这种方法显著提高了效率,并减少了获得作物育种关键植物特征的劳动力.
- 结果为未来的实地植物表型研究提供了宝贵的见解,特别是点和线条注释.
更多相关视频
06:21Micron-scale Phenotyping Techniques of Maize Vascular Bundles Based on X-ray Microcomputed Tomography
Published on: October 9, 2018
8.8K
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
