深度迁移学习在植物定位中的应用

本文提出了一种利用有限地面真实数据将现有模型转换到新场景中估计植物位置的方法,植物表型资讯介绍如下。

 

1

 

 

 

 

植物表型分析重点是测量整个生长季节的植物特征,通常以评估植物育种基因型为目的。植物定位对于识别低出苗率的基因型至关重要,与环境和管理实践(如施肥)也相关。本文旨在研究利用无人机拍摄的RGB图像来估计农作物植株位置的方法。

1

a) 2018年6月4日在海拔50米、分辨率为1厘米/像素的正射校正玉米田图像。b) 从(a)中的正射图像中提取图的单行

2

基于网络的迁移学习

深度学习为RGB图像中植物定位提供了极大帮助,但该方法需要大量标记数据(地面真实值)进行训练。另外,在其他地理区域(或与不同种作物的田间)应用经过微调的针对单个田间(或单一作物类型)深度学习架构效果欠佳。针对每块田间生成地面真值是一个劳动密集且繁琐的问题。因此,本文提出了一种利用有限地面真实数据将现有模型转换到新场景中估计植物位置的方法。该方法利用一个通过单一类型植物(或针对单一地块)在一组不同种但相似作物(或不同地理位置)的地块上进行微调的模型来描述转移学习的使用。研究结果表明,转移学习在植物定位中有很好的应用前景。

3

植物中心估算管道

4

训练数据集中包含500、1000、2000、3000、4000和5000张图像的测试结果

 

来源:

Cai En, Baireddy S, Yang C, et al. Deep Transfer Learning For Plant Center Localization. arXiv:2004.13973.

 

扩展阅读:

报告合集|无人机表型

直播回放|漫谈叶绿素荧光:从原理到应用

国际植物表型网络IPPN介绍和入会指南

植物表型资讯两周年目录汇总

植物表型资讯2019年1-12月目录汇总

植物表型资讯2020年1-4月目录汇总

3