应用案例

异构数据环境下利用小样本训练数据的作物和杂草分割及分形维数估计


发布时间:

2024-06-03

来源:

作者:

利用相机拍摄的图像高精度分割农作物和杂草是发展智能农业系统亟待解决的难题。据先前报道,作物和杂草的分割是在同质数据环境下进行的,其中训练数据和测试数据均来自同一数据库。然而,在推进农业和智能农业系统的实际应用进程中经常会遇到异构数据环境的情况,即使用一个数据库训练的系统应用于不同的数据库进行测试,而不需要额外的训练。为解决异构环境下数据量大、数据不平衡、耗费时间精力多、测试性能下降等问题,本研究开创了利用异构环境数据分割作物和杂草的先河,亮点如下:①严格分析了在异构数据集中导致性能下降的因素(包括光照变化和对比度)并提出应用Reinhard色彩迁移算法/RH变换(Reinhard Transformation, RH),利用均值和标准差作为评价标准;②少量的额外训练数据显著提高了分割性能,同时需要更少的计算资源和更少的训练时间;③引入了分形维数估计(Fractal Dimension,FD)方法以提供关于作物和杂草分布特征的重要信息;④本数据处理流程是公开的,可以与其他研究进行平行比较。

 

本研究利用BoniRob数据集和CWFID对数据处理框架进行了评估。结果显示,当使用BoniRob数据集进行训练并使用CWFID进行测试时,获得了62%的均交并比(MIoU)和75.2 %的F1值;在使用CWFID进行训练并使用BoniRob数据集进行测试时,获得了63.7 %的MIoU和74.3 %的F1值。通过在以上公开数据库上的测试,结果证明了本方法优于SOTA方法;在t检验和Cohen'sd值方面的统计结果有显著优越性。此外,本方法基于Grad-CAM图像提取必要特征能够准确分割作物和杂草。

 

本试验是首次使用一个训练数据样本对异质环境中的作物和杂草进行分割的研究。作者基于生成对抗网络的转换方法避免了作物和杂草颜色、形状相似时观察到的不准确分割情况。未来工作将聚焦于应用在其他应用领域,包括用于建筑物监测的裂缝检测、医学图像检测和水下计算机视觉等。

 

图1.本研究工作路线

 

图2. RGB颜色通道直方图。(a)参考图像;(b)目标图像;(c)RH变换图像;(d)附加调节的RH变换图像。

 

 

图3. SOTA转换和基于U-Net的可视化示例。(a)原始图像;(b)地面实况掩膜;语义分割结果:(c-f)参考他人提出的方法,(g)本研究方法。红色、黑色、蓝色分别表示作物、背景、杂草的TP,黄色像素代表作物被错误地识别为背景或杂草的错误,橙色像素代表杂草被错误地识别为背景或作物的错误。灰色像素表示错误的背景被错误地识别为杂草或作物。本研究研究提出的框架(g)显示出最高的语义分割精度。

 

图4.SOTA变换和U - Net方法的可视化示例。红色、黑色、蓝色分别表示作物、背景、杂草的TP,黄色像素代表作物被错误地识别为背景或杂草的错误,橙色像素代表杂草被错误地识别为背景或作物的错误。灰色像素表示错误的背景被错误地识别为杂草或作物。本研究研究提出的框架(g)显示出最高的语义分割精度。

 

表1.使用Boni Rob和CWFl D两个数据集对该方法进行评估

 

表2.本研究提出的方法和SOTA方法的平均处理时间的比较(单位:ms)

 

来 源

Akram, R.; Hong, J.S.; Kim, S.G.; Sultan, H.; Usman, M.; Gondal, H.A.H.; Tariq, M.H.; Ullah, N.; Park, K.R. Crop and Weed Segmentation and Fractal Dimension Estimation Using Small Training Data in Heterogeneous Data Environment. Fractal Fract. 2024, 8, 285. https:// doi.org/10.3390/fractalfract8050285 

 

编辑

大如

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。