DLML-PC:一种自动化的深度学习和度量学习方法,用于精确地分类和计数完整植物中的大豆
Yixin Guo1, Jinchao Pan1, Xueying Wang1
1College of Engineering, Northeast Agricultural University, Harbin, China.
Frontiers in plant science
|August 5, 2025
概括
准确计数大豆豆对于产量至关重要. 这项研究使用深度学习和度量学习来精确计算完整植物上的不同种类的,提高大豆育种效率.
科学领域:
- 农业科学 农业科学
- 计算机视觉 计算机视觉
- 植物育种 植物育种
背景情况:
- 大豆产量评估依赖于精确的豆计数,这是传统上手工和劳动密集型的过程.
- 现有的方法往往忽视了花类型的多样性和全植物花收集的挑战.
- 智能农业的进步需要更快,更准确的豆表型.
研究的目的:
- 开发一种基于深度学习的方法,用于在完整的植物上直接,准确地计算各种大豆豆类型.
- 为了提高Pod计数的准确性,使用度量学习进行校正.
- 建立一个高通量,普遍适用的大豆育种方法.
主要方法:
- 使用深度学习 (YOLOX) 来识别和计算成熟大豆植物上的不同类型的对象检测.
- 使用改进的语网络 (SE-ResNet50骨干) 进行度量学习,以完善对象检测计数.
- 对各种对象检测算法进行比较,以确定最佳模型.
主要成果:
- YOLOX在不同种群类别的检测中实现了83.43%的平均平均精度 (mAP).
- 优化的语网络模型在测试组中达到93.7%的准确性.
- 在算法和手动计数之间观察到高相关系数 (92.62%-96.64%) 不同类型的和总.
结论:
- 拟议的深度学习和度量学习方法显著提高了大豆成熟的识别精度.
- 这种方法提供了一个强大的,高吞吐量解决方案,减少劳动强度和加快大豆育种.
- 该技术可适应不同类型的,并适用于智能农业环境.
