在花生中使用细分神经网络进行叶子斑严重度评分的自动管道
Joshua Larsen1,2, Jeffrey Dunne3,4, Robert Austin3
1Department of Electrical and Computer Engineering, NC State University, 890 Oval Dr, Raleigh, NC, 27606, USA. jclarse2@ncsu.edu.
Plant methods
|February 20, 2025
概括
一个新的图像分析管道客观地评分花生叶斑点严重性,取代了主观的人类评级. 这种自动化方法通过实现更快,更一致的表型增强了疾病耐药性研究.
科学领域:
- 植物病理学 植物病理学
- 农业科学 农业科学
- 计算机视觉 计算机视觉
背景情况:
- 花生叶斑点疾病导致全球显著的产量损失.
- 目前的表型化依赖于主观的人类评分,限制了准确性和可扩展性.
- 开发客观的疾病评估工具对于培育耐药花生品种至关重要.
研究的目的:
- 开发一个客观的,端到端的图像分析管道,用于评分花生叶斑点的严重性.
- 用自动化,定量指标取代主观的人类评级表.
- 为了在花生育种计划中促进有效的表型化.
主要方法:
- 利用图像捕获协议和细分神经网络进行病变区域提取.
- 开发了算法来将图像数据转换为定量质量指标.
- 在大量现场图像数据集上训练和评估管道,疾病严重程度各不相同.
主要成果:
- 管道准确地确定了受感染的叶子表面积,并从手机图像中识别了枯叶.
- 与专家视觉评分相比,自动评分实现了0.996 (单个图像) 和0.800 (三张图像) 的根平均平方误差.
- 证明了管道能够提供客观的,定量性的疾病严重程度等级的能力.
结论:
- 开发的图像处理管道是对主观人类评分的可行替代方案.
- 自动评分减少了主观性,使非专家能够收集数据,并可能促进基于无人机的评估.
- 这项技术可以加速识别新的花生线和基因,以改善叶子斑抗性.
