基于WheatSeedBelt数据集利用深度半监督学习检测小麦赤霉病籽粒


发布时间:

2023-11-07

来源:

本站

作者:

PhenoTrait

小麦赤霉病是一种世界性的小麦病害,赤霉病(Fusarium damaged kernels,FDKs)严重影响籽粒产量和品质。因此,FDK检测是小麦育种者寻求开发高品质和抗FDK小麦品种的优先事项。然而,传统的FDK测量方法耗时长、劳动强度大、精度不稳定。基于图像的表型方法具有有效检测FDK的潜力,但由于缺乏大规模的损伤注释小麦籽粒数据集,因此开发具有挑战性。为了解决这一问题,引入了WheatSeedBelt,这是一个高分辨率的大规模数据集,包括268个小麦品种的40420个近距离俯视图和侧视图单粒图像,并附有籽粒损伤注释。利用该数据集,开发了一个图像处理模型,以有效地处理图像并提取用于机器和深度学习目的的代表性特征。还在数据集上进行了三个实验,使用预训练和半监督微调阶段将小麦籽粒分为健康、不健康但不FDK和受FDK影响的小麦籽粒。最佳模型在健康-不健康(包括FDK)任务上的f1得分为84.29%,在二元FDK-非FDK任务上的f1得分为56.35%,在3类任务(健康,不健康和FDK)上的f1得分为68.30%。并且进行了一项评分者间可靠性研究,结果表明人类专家在FDK预测方面的表现并不优于提出的模型,这表明从RGB图像中对FDK进行视觉分类是一项具有挑战性的任务。

 

图1 不同健康状况下小麦种子带图像的几个例子。从左到右列显示了健康小麦、不健康小麦和不健康小麦。

 

图2  小麦籽粒图像预处理流水线的研究进展。首先,使用中心裁剪来去除可能对分割精度产生不利影响的边界噪声或伪影。接下来是颜色转换、分割、掩模清洗,然后提取感兴趣的区域和相关纹理级特征,记录为特征向量。

 

图3 通过预处理模型提取的每个籽粒损伤类别的单个籽粒图像示例。

 

图4 对于三个不同的任务,SSte数据集上表现最好的模型的混淆矩阵。

 

来 源

Keyhan Najafian et al,. Detection of Fusarium Damaged Kernels in Wheat Using Deep Semi-Supervised Learning on a Novel WheatSeedBelt Dataset. ICCV.

 

编辑

王春颖

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。