一个基于深度学习的微CT图像分析管道,用于对玉米核内部结构的非破坏性量化.

科学领域:

• 农业科学 农业科学
• 生物技术是生物技术.
• 图像分析 图像分析

背景情况:

• 对玉米核的玻璃体和粉固体进行准确的细分对于纹理分析至关重要,但由于CT图像的低对比度和模糊边缘,具有挑战性.
• 现有的方法在细分精度和的结果方面扎,阻碍了详细的内部结构分析.

研究的目的:

• 从CT图像开发基于深度学习的管道,以从CT图像中高质量细分玉米核的内部结构.
• 为了提高分析玉米核质感的准确性和效率,用于育种和加工应用.

主要方法:

• 开发了一个CT图像分析管道,从批量扫描和单个内核的Canny算法细分开始.
• 建议修改U-Net架构 (CSFTU-Net),结合注意力机制 (CBAM,SE) 和焦点-特维斯基损失与边界平滑术语.
• 现型参数,包括内核,玻璃体内精子和粉性内精子的体积,使用基于细分面具的方法提取.

主要成果:

• 通过CSFTU-Net模型,玉米中玻璃体和粉性内的细分显著改善.
• 管道使关键的内部纹理参数 (V,VV,SV,VV/V,SV/V) 的非破坏性量化成为可能.

结论:

• 拟议的深度学习管道为分析玉米核的内部结构提供了强大而准确的方法.
• 这种方法为非破坏性纹理量化提供了宝贵的见解,支持玉米育种和食品加工方面的进步.