学术中心
智能农场中的人工智能
发布时间:
2021-07-25
来源:
本站
作者:
PhenoTrait
本文分析了基于残差网络(ResNet)的卷积神经网络(CNN)结构在植物表型研究中的应用。在当代的植物物种识别(SR)和感染检测工作中,大多数都在平衡数据集上进行了实验,并以准确性作为评估参数。然而,本文使用了具有不相等数量图像的不平衡数据集,应用数据增强来提高准确性,将数据组织为多个测试用例和类,最重要的是,采用了用于非对称类分布的多类分类器评价参数。此外,本文还解决了一些典型问题,如选择数据集的大小、分类器的深度、所需的训练时间,以及在部署各种测试用例时分析分类器的性能。
基于计算机视觉的植物表型分类
基于计算机视觉的分类流程
研究结果表明,ResNet20(V2)架构在物种识别(SR)和健康和感染叶识别(IHIL)任务中表现出色,精度分别为91.84%、84.00%,召回率分别为91.67%、83.14%和F1分数分别为91.49%、83.19%。
图像样本后预处理阶段
分类器的性能分析
来源:
Hati J, and Singh R. Artificial Intelligence in Smart Farms: Plant Phenotyping for Species Recognition and Health Condition Identification Using Deep Learning. AI 2021, 2(2), 274-289; https://doi.org/10.3390/ai2020017.
推荐新闻
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。
让我们“慧聚”在一起,为“慧科研、慧育种、慧种田”赋能。
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。
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。
视频展示