虚拟图像训练的深度残差卷积神经网络在近距离检测农作物害虫的应用


发布时间:

2021-01-19

来源:

本站

作者:

PhenoTrait

检测农作物上的无脊椎类动物害虫对于害虫管理具有重要意义。传统方法利用害虫诱捕装置对害虫取样,然后进行人工分类并计算害虫个数以评估害虫危害程度。然而这种方法具有主观性,容易出错且成本高。近年来,计算机视觉技术已实现了在实验室或害虫诱捕装置中对害虫进行分类和计数,然而这类基于实验室或害虫诱捕装置的半自动技术对于最优化的害虫管理决策不能提供及时和准确的数据。如今,精确农业提出了在农作物上直接检测害虫的要求,这样便可以根据害虫出现的准确时间和地点进行实时处理或做出最优的决策。在本研究中,我们利用计算机视觉和机器学习技术检测自然环境中农作物上的害虫。

 

5C-dtabase 数据库图例。第一列显示了类名,包括背景 (BK), 蜗牛 (SN), 蛞蝓 (SL), 蠼螋 (EA)和 蠕虫 (WO)

 

首先,我们评估了先进的卷积神经网络的性能,并提出了一个标准的训练流程。面对快速建立的庞大训练数据库的挑战,我们提出了一个新颖的方法来产生虚拟图像以节省工时和成本。利用虚拟数据,我们成功的训练了一个深度残差神经网络。在对农业环境中的四种害虫检测的测试中,其准确率达到了97.8%。本方法可被应用在自动化系统中在近距离对农作物害虫进行实时检测。

 

作者介绍:

 

刘华健,研究员,阿德莱德大学, 农业,食品和葡萄酒学院, 植物加速器。研究方向: 基于高光谱和3D技术的植物表型数据采集和分析。博士后:阿德莱德大学。研究方向: 利用高光谱检测小麦的氮含量。博士:南澳大学。研究方向: 利用机器视觉,高光谱(多光谱)和3D技术检测自然环境中农作物病虫害。

 

其他主要研究方向:人工智能在农业的应用,图像处理,光学传感器,昆虫视觉,鸟类视觉, 仿生学

 

工业背景:红外热成像无损检测

 

澳大利亚植物表型组设施(Australian Plant Phenomics Facility)是国际领先的植物表型研究机构, 致力于推动新型的,健康的和可持续发展的农业战略。其分支机构, “ 植物加速器(The Plant Accelerator)”, 建于澳大利亚阿德莱德大学( University of Adelaide )的 Waite 校园,是一套国际上进行植物表型组研究的最复杂、造价最昂贵的设施之一。“植物加速器”的核心由4个140平米的温室以及两套全自动高通量植物成像系统组成,包括可见光,高光谱,3D和荧光成像模块。它配有自动浇水和称重的设备和可自动传送2400盆植物的传送带和运输车。除了高通量成像系统,“植物加速器”还具备田间作业的无人机和车载系统。“植物加速器”欢迎和世界各地的植物学家合作。截止到2020年七月分为止,该机构已和13个国家合作了984个项目。

 

来源:

Liu, H., & Chahl, J. (2021). Proximal detecting invertebrate pests on crops using a deep residual convolutional neural network trained by virtual images. Artificial Intelligence in Agriculture, 5, 13-23, doi:https://doi.org/10.1016/j.aiia.2021.01.003.

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。