无人机高光谱数据有效表型分割的自适应聚类-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

无人机高光谱数据有效表型分割的自适应聚类

发布时间：

2025-04-25

来源：

作者：

与高光谱成像（Hyperspectral Imaging，HIS）相结合的无人机（Unmanned Aerial Vehicle，UAV）能够通过捕捉详细的光谱信息预测不可见的特征。然而，密集的HSI数据给计算和有限存储的远程设备带来了挑战。本文介绍了一种用于实时树木表型分割的在线高光谱简单线性迭代聚类算法框架（Online Hyperspectral Simple Linear Iterative Clustering algorithm，OHSLIC），通过自适应增量聚类和轻量级神经网络减少了固有的噪声和计算需求。该神经网络使用叶绿素、类胡萝卜素和花青素等叶片元素含量来构建树木表型。高光谱数据集是使用自定义模拟器创建的，该模拟器包含真实的叶片参数和光的相互作用。

结果表明，OHSLIC实现了更高的回归精度和分割性能，同时显著减少了计算时间。基于聚类的方法明显优于基于像素的方法，突出了降噪和分组处理在准确性和效率方面的优势。OHSLIC框架自适应聚类支持计算效率和精度之间的动态平衡，为HSI应用中可扩展的边缘设备部署铺平了道路。未来研究将结合真实数据验证模型在实际条件下的性能。

图1. OHSLIC示意图

图2. 分类器模型示意图

图3. OHMLIC集群数量和Dice系数的平均回归性能

图4. OHSILIC-C-C分割示例。从上到下依次是HSI的假彩色图像、绿叶素、类胡萝卜素和花色素苷

图5. OHMLIC-C-C模型的回归预测与偏差

图6. 置信度改变模型输出示例。从左到右依次是可见的假彩色图像、没有置信度的正常分割、有置信度的预测

来源

Ciem Cornelissen, Sam Leroux, Pieter Simoens. Adaptive Clustering for Efficient Phenotype Segmentation of UAV Hyperspectral Data [EB/OL]. (2025-01-17) [2025-01-23].https://arxiv.org/abs/2501.10199.

编辑

JAYz

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