利用深度学习在复杂背景下进行叶片分割和分类


发布时间:

2020-12-28

来源:

本站

作者:

PhenoTrait

利用植物图像进行叶片分割和分类是一个很大的挑战,尤其是在背景复杂的图像中叶片存在重叠的情况下。本文研究了利用深度学习对具有复杂背景的叶片图像进行分割和分类的方法。

 

15个物种集合

 

标签过程中的图像

首先,采集2500多张背景复杂的叶片图像,并用目标像素和背景像素进行人工标记。其中2000张图像被输入基于掩模区域的卷积神经网络(Mask R-CNN)来训练叶片分割模型。然后,将一个包含15个物种1500多个训练图像的训练集输入一个非常深的16层卷积网络(VGG16)中,训练叶片分类模型。通过比较各种参数组合得到最佳超参数。结果表明,使用Mask R-CNN的80张测试图像的平均误分类误差(ME)为1.15%,使用VGG16对150张测试图像进行叶子分类的平均准确度值高达91.5%。

 

分割结果

 

每个图像的ME

 

综上所述,这些方法可以有效地对复杂背景下的叶片图像进行分割和分类,能够为植物表型分析和自动分类提供参考。

 

手动标记结果和算法细分结果

 

来源:

Yang K, Zhong W and Li F. Leaf Segmentation and Classification with a Complicated Background Using Deep Learning. Agronomy 2020, 10(11), 1721; https://doi.org/10.3390/agronomy10111721.

推荐新闻

石时之约|韩志国:透过表型数据,看见植物的喜怒哀乐!

本期石时之约,我们将对话慧诺瑞德(北京)科技有限公司总经理、国际植物表型学会(IPPN)执委会委员/工业分会副主席韩志国,一起从表型数据的科学角度,去读懂农作物的喜怒哀乐和前世今生。

慧科研、慧育种、慧种田——慧聚改变的力量

让我们“慧聚”在一起,为“慧科研、慧育种、慧种田”赋能。

高通量植物表型平台建设注意事项

育种,是在给定的环境条件下,选择各种表型指标(产量、品质、抗性)最优的基因型材料的过程(AI育种,从这里起步)。育种工作中大约70%的工作量来自表型观察测量和筛选,是最耗人力物力的过程。

作物生理表型测量基础原理

生理表型测量的核心在于“早、快”,要在肉眼可见之前就能测量并预判出变化趋势,才是这个技术的核心价值。叶绿素荧光成像,恰好满足了这个要求。