学术中心
基于深度学习的鹰嘴豆植株水分胁迫识别
发布时间:
2021-06-07
来源:
本站
作者:
PhenoTrait
为了满足不断增长的世界人口需求,我们需要采用现代、精确和自动化的耕作方法来提高全球农业产量。近十年来,已将无损图像分析和机器学习相结合的高通量植物表型分析技术成功地应用于植物健康和病害的识别和定量研究。然而,这些基于图像的机器学习通常不考虑植物胁迫的渐进性或时间性。这种不随时间变化的方法还需要显示严重胁迫迹象的图像,以确保高置信度检测,从而降低了这种方法对胁迫下植物的早期检测和恢复的可行性。为了克服上述问题,本文提出了一种对胁迫引起的植物视觉变化的时间分析方法,并将其应用于鹰嘴豆植株拍摄图像中水分胁迫识别的具体案例。
用于鹰嘴豆水分胁迫分类的时不变CNN结构
LSTM-CNN结构在鹰嘴豆水分胁迫分类(BF,YS,C)预测中的应用
首先,我们研究了两个鹰嘴豆品种JG-62和Pusa-372在三种水分胁迫条件下的图像数据集(对照,幼苗,开花前),进行了为期5个月的试验。然后,我们开发了一个LSTM-CNN架构,从这个数据集中学习视觉时间模式,并以高置信度预测水分胁迫类别。为了建立一个基线上下文,我们还对所提出的模型中使用的CNN结构与用于水胁迫时不变分类的其他CNN技术进行了比较分析。最后,我们进行了一项消融研究,以确定LSTM-CNN模型在减少用于训练的时间会话数据量方面的性能。
描述LSTM-CNN模型结果的混淆矩阵,其中VGG16和Inception-V3作为CNN特征抽取器,对JG-62和Pusa-372物种进行了32次训练。
可视化在不同鹰嘴豆植物物种上训练的模型的准确性、宏观敏感性、宏观特异性和宏观精度 - 训练会话数据数量上的特征向量组合。
来源:
Azimi S, Wadhawan R, Gandhi T, et al. Identifying Water Stress in Chickpea Plant by Analyzing Progressive Changes in Shoot Images using Deep Learning. arXiv:2104.07911.
推荐新闻
视频展示