基于深度学习方法的大豆豆荚和枝干识别新工具-慧诺瑞德（北京）科技有限公司|叶绿素荧光|光合作用|植物表型

学术中心

全部分类

基于深度学习方法的大豆豆荚和枝干识别新工具

发布时间：

2025-03-05

来源：

作者：

表型性状鉴定是培育高产优质大豆新品种的关键。传统的大豆表型性状鉴定依赖于人工计数荚果和用尺子测量株高。繁重的工作量导致人力资源收集的数据极易出错。因此，迫切需要开发一种高效、高质量的方法来获取大豆豆荚和枝干的表型数据。本研究对比了ResNet-101、Swin-S和ConvNeXt-S三种网络模型，认为ConvNeXt-S模型最优，其mAP@0.5为0.95，可达74.2%。开发了一种基于深度学习的大豆植物表型检测和数据存储系统，包括植物、豆荚和分枝的信息。系统检测到的豆荚数与真实值之间的R2为0.995。这些结果表明，该系统比人工表型鉴定更准确和稳定。本研究为降低大豆表型检测的经济成本和时间成本，提高大豆表型鉴定效率和准确性奠定了基础。

图1 本研究的主要框架。

图2 数据集中具有代表性的大豆图像示例。(a)低豆荚密的大豆植株，(b)低无分枝的大豆植株，(c)高多分枝的大豆植株，(d)高豆荚稀疏的大豆植株。

图3 豆荚(a)和树枝(b)的标记图像。

图4 利用ConvNeXt-S对豆荚的识别。

图5 手动校准过程。(a)手动校正豆荚组，(b)手动增加豆荚组数量，(c)手动校正枝干。

图6 系统与人工测量的相关性分析。(a)系统测量与荚果数真值的相关性分析，(b)人工测量与荚果数真值的相关性分析，(c)系统测量与分支数真值的相关性分析，(d)人工测量与分支数真值的相关性分析。

来源

Xie, Q., Du, H., Yang, Q., Liu, Z., Jin, X., Li, C., Wei, Y., Tang, F., Tao, P. and Yan, L. (2024), A Novel Tool for Soybean Pods and Branches Recognition by Deep Learning Based Approach. Plant Breed. 0, 1-12.

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。

视频展示