通过深度学习估计发芽的树种子的根长度
Dantong Li1,2, Yang Luo1,2, Hua Xue3
1School of Information and AI, Beijing Forestry University, Beijing 100083, China.
Sensors (Basel, Switzerland)
|August 28, 2025
概括
准确的植物表型是了解树木生长的关键. 一个新的深度学习模型,GLEN,精确地测量木苗根,克服传统方法的局限性,并改进生长分析.
科学领域:
- 植物生物学和计算机成像.
- 开发人工智能驱动的农业科学解决方案.
背景情况:
- 精确的苗木特征测量对于植物表型,特别是像树 (Ulmus spp.) 这样的物种至关重要. 它们具有具有挑战性的曲线形态.
- 现有的手动和自动化方法与非线性幼苗形状作斗争,导致生长和应激反应研究的不准确和低效.
研究的目的:
- 推出GLEN,这是一种深度学习模型,用于精确检测和长度估计发芽的树种子,特别是它们的曲根.
- 开发一个强大的和可扩展的框架,用于植物科学中的自动形态量化.
主要方法:
- 开发GLEN,一个具有双路径架构的深度学习模型,集成空间和语义特征,用于曲线根测量.
- 创建 GermElmData,一个新的注释数据集,以及一个合成数据生成管道,以增强模型训练和通用化.
主要成果:
- GLEN 实现了毫米级的估计误差,显著优于现有的树苗的自动测量模型.
- 该模型在曲的根形态上表现出强大的性能,这是植物表型的一个常见挑战.
结论:
- GLEN为测量发芽的树种子提供了高度准确和高效的解决方案,提高了植物表型能力.
- 该模型的架构和数据策略为更广泛的生物医学和农业成像挑战提供了可扩展的框架.
