通过自我监督的视觉变压器对生殖质进行数据效率和准确的菜叶面积估计,用于生殖质早期评估
Pengfei Hao1, Jianpeng An2, Qing Cai3
1Zhejiang Academy of Agricultural Sciences, Institute of Crops and Nuclear Technology Utilization, Hangzhou, 310021, Zhejiang, China.
Plant methods
|December 6, 2025
概括
使用数据效率高的深度学习框架改进了用于菜种子育种的准确叶面积估计. 这种方法克服了数据注释成本和叶子封闭挑战,以更快地发展作物.
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:
- 准确的叶面积估计对于早期的,高通量表型在菜种子育种中至关重要.
- 现有的方法面临着昂贵的数据注释和叶子遮的挑战.
- 开发数据效率高的解决方案对于推进农业技术至关重要.
研究的目的:
- 通过使用智能手机RGB图像来提供数据效率高的深度学习框架,用于使用智能手机RGB图像来量化菜叶面积.
- 解决植物表型化中数据注释成本和叶子封闭的局限性.
- 为了实现加速作物育种的准确和可扩展的非破坏性表型.
主要方法:
- 一个两阶段的深度学习策略,利用视觉转换器 (ViT) 骨干.
- 在各种公共植物数据集上进行自我监督的预训 (DINOv2),随后对菜种子数据进行微调.
- 新型的Canopy-Mix数据增强和混合损失功能 (Smooth L1,Log-Cosh) 用于阻塞处理和强大的融合.
主要成果:
- 通过5倍交叉验证,通过确定系数 (R2) = 0.805实现了强大的预测性能.
- 预测的叶面积与新鲜重量 (r=0.900) 和干重量 (r=0.885) 之间有很高的相关性.
- 超越基线模型的性能,包括从头开始训练和在ImageNet.net上预训练的模型.
结论:
- 特定领域的自主监督预培训有效地克服了农业视觉中的数据限制.
- 拟议的框架为非破坏性表型化提供了一个强大而可扩展的工具.
- 这种方法有可能显著加快菜种子的繁殖周期.
