在植物组织培养中实时实例细分,使用连续几代YOLO架构

科学领域:

• 植物生物技术 植物生物技术
• 计算机视觉 计算机视觉
• 农业科学 农业科学

背景情况:

• 诱导对于植物的繁殖,代谢物生产和遗传修饰至关重要.
• 手动监测形成是劳动密集型和主观的.
• 需要自动化方法来准确评估植物组织培养中的发育.

研究的目的:

• 创建第一个精选的 (Lens culinaris) 数据集,例如细分.
• 为了评估连续YOLO深度学习模型对细分的性能.
• 确定最佳的深度学习架构,以精确有效地监测.

主要方法:

• 通过使用三个基因型 (Firat-87,Cagil,Tigris) 和三个发育阶段 (叶子,绿色结质,结结质) 创建了一个结质数据集.
• 获得了122张高分辨率图像,并有1185条注释.
• 评估了YOLOv5,YOLOv7,YOLOv8和YOLOv11模型,使用实例细分指标 (mAP,Dice,Precision,Recall,IoU) 和效率指标 (参数,FLOP,推断速度).

主要成果:

• 无的YOLOv8和YOLOv11模型在结构的边界精度方面超过了基于的YOLOv5和YOLOv7.
• YOLOv8实现了最高的实例细分精度 (mAP50@0.855).
• YOLOv8以高精度和高效率在166 FPS进行实时推断.

结论:

• 开发的豆结质数据集支持了自动化植物组织培养监测方面的进展.
• 没有的深度学习模型,特别是YOLOv8,为准确和高效的实例细分提供了显著的优势.
• 这项研究为通过人工智能驱动的分析改善精准农业和植物育种铺平了道路.