深度学习方法使用智能手机的图像来识别小麦和在植物层面计数谷物
Gustavo N Santiago1, Pedro H Cisdeli Magalhaes1, Ana J P Carcedo1
1Department of Agronomy, Kansas State University, Manhattan, KS 66506, USA.
Plant phenomics (Washington, D.C.)
|December 20, 2024
概括
研究人员开发了一个基于智能手机的AI框架来估计谷粒数量,达到17%的错误率. 这项技术旨在改善高通量表型化,以提高作物产量.
科学领域:
- 农业科学 农业科学
- 计算机科学 计算机科学
- 植物生物学 植物生物学
背景情况:
- 高通量表型对于作物改进至关重要,但在田间特征表征方面面临瓶.
- 在 (Sorghum bicolor L.) 中,准确的产量估计在很大程度上依赖于量化每块谷物的谷物数量.
- 整合计算机视觉和人工智能 (AI) 提供了一种解决方案,可以减少现场表型化中的劳动力和时间.
研究的目的:
- 通过使用智能手机捕获的图像来增强 Sorghum panicle 检测和谷物数量估计.
- 开发和验证人工智能模型,用于准确的,基于现场的产预测.
- 建立一个强大的基础,植物级产量估计应用程序.
主要方法:
- 收集并手动标记了一组基准数据集,其中包括648张智能手机图像的小麦.
- 训练有素的检测和细分模型 (Detectron2,Yolov8) 用于恐慌识别.
- 开发和训练了三种谷物计数模型 (MCNN,TCNN-Seed,Sorghum-Net),其中Sorghum-Net是新的.
主要成果:
- 在恐慌检测和细分方面,Yolov8获得了89%的平均精度.
- 开发的 Sorghum-Net 模型显示谷物数量估计的平均绝对百分比误差为 17%.
- 为了将模型计数与现场观测的粒度数相关联,我们得出了一个简单的方程,实现了17%的整体误差.
结论:
- 拟议的AI框架有效地从智能手机图像中高精度地估计谷粒数量.
- 与传统的表型化方法相比,这种方法显著减少了劳动和时间.
- 该研究提供了一个可扩展的基础,用于开发用于实时果产量估计的高级应用程序.
