在多种植物环境中,以表型为基础对玄米生长阶段进行实例级分类
Jung-Sun Gloria Kim1,2, Soo Hyun Shin1,2, Soo Chung1,2,3
1Department of Biosystems Engineering, Seoul National University, Seoul, Republic of Korea.
Frontiers in plant science
|December 4, 2025
概括
这项研究引入了一个人工智能管道,用于使用叶子对计数精确地分类玄米的生长阶段. 这种方法为可持续的室内农业和智能农业的进步提供了自动化的实时监控.
科学领域:
- 农业科学 农业科学
- 计算机科学 计算机科学
- 人工智能的人工智能
背景情况:
- 气候变化和劳动力短缺等全球性挑战需要先进的室内农业解决方案.
- 目前的作物监测依赖于基于时间的方法,缺乏生理学准确性和可重复性.
- 人工智能驱动的表型化为准确和自动化的作物管理提供了一条道路.
研究的目的:
- 开发和验证一种基于表型的管道,用于准确地分类香生长阶段.
- 为实时监测室内农业作物的生理基础的方法.
- 为了利用低成本的成像和人工智能,提高精确农业.
主要方法:
- 在成长室中,在不同的照明条件下,利用固定摄像头的顶部视图图像.
- 采用YOLO用于自动化多植物检测和K-means集群用于单个植物图像细分.
- 开发了一个卷积神经网络回归模型来预测叶子对计数用于增长阶段的确定.
主要成果:
- YOLO实现了高的检测准确性 (mAP@0.5 = 0.995).
- 回归模型准确地预测了叶子对数 (MAE = 0.13,R2 = 0.96).
- 最终生长阶段分类准确度超过98%与一致的交叉验证性能.
结论:
- 拟议的管道允许在多植物室内环境中实现自动化,精确的生长监测.
- 这种低成本的解决方案支持精确的环境控制,劳动力减少和可持续的智能农业.
- 叶子对数作为生理生长阶段的强大,非破坏性指标.
