基于机器学习和深度学习方法的农业应用高光谱成像技术系统综述


发布时间:

2022-06-12

来源:

本站

作者:

PhenoTrait

 

  随着人口增长,寻求能够改善生产、尊重环境和人民健康的技术已成为社会的一个基本点。在这种背景下,本文提出了一种基于计算机视觉技术和机器学习(Machine Learning,ML)的牧草Panicum maximum cv.信息提取方法,协助牧草情况的管理和研究。苏黎世BRS协助牧场条件的管理和研究,并有可能获得信息。

 

  计算机视觉方法用于从植被冠层正交采集的图像中提取生理参数,如图1,提取的信息作为机器学习(ML)方法的输入,用于预测牧场高度和生物量。本论文的贡献在于,与传统方法相比,在植物生物物理参数的大规模研究中,开发了一种可能的新解决方案。本文提出了一种基于地面的平台,以快速、无损的方式估计高度和牧草生物量参数。图2显示了用于高度和生物量预测问题的变量之间的相关性矩阵。

 

  Green Leaf Index (GLI):绿叶指数,Visible Atmospherically Resistant Index (VARI):可见光大气阻抗植被指数,Triangular Greenness Index (TGI):三角形绿度值,Modified a Photochemical Reflectance Index (MPRI):改进的光化学反射指数,Green cover:绿色覆盖,Homogeneity:均匀性,Entropy:熵,Angular second moment:角二阶矩,height:株高,Biomass:生物量。

 

  为此,使用了三种技术:支持向量回归(Support Vector Regression)、多层感知器(Multi-Layer Perceptron,MLP,图3)和Lasso算法(least absolute shrinkage and selectionoperator,又译最小绝对值收敛和选择算子、套索算法)。此外,采用差分进化(Differential Evolution, DE)技术选择最佳模型,如图4。对差异进化技术进行了30次独立运行,以评估该方法的性能。交叉验证方法的结果表明,MLP获得了最好的结果,确定系数(R2)的平均值为0.496,用于估算生物量,用于估算牧草高度。

 

  图1 现场获得的图像。左图提取参数:GLI=0.366,VARI=0.219,TGI=65.751,MPRI=0.161,Green cover =95.509,Homogeneity = 0.8467, Entropy = -3.612, Angular second moment = 0.115. Expected height: height = 8.94 cm. Label: Biomass (kg/hectare) = 8004.32. 右图. 提取参数: GLI = 0.024, VARI = -0.0083, TGI = 6.78, MPRI = -0.0036, Green cover = 30.09, Homogeneity = 0.87, Entropy = -3.96, Angular second moment = 0.089. Label: height = 25 cm.

 

  Green Leaf Index (GLI):绿叶指数,Visible Atmospherically Resistant Index (VARI):可见光大气阻抗植被指数,Triangular Greenness Index (TGI):三角形绿度值,Modified a Photochemical Reflectance Index (MPRI):改进的光化学反射指数,Green cover:绿色覆盖,Homogeneity:均匀性,Entropy:熵,Angular second moment:角二阶矩,height:株高,Biomass:生物量。

 

  图2 高度预测实验的相关矩阵和生物量预测实验的相关矩阵

 

  图3 左:具有一个隐藏层的MLP网络,有八个神经元,具有ReLU激活功能。右图:具有两个隐藏层的MLP网络,每层5个神经元实现身份激活功能

 

  图4 提出了一种在DE优化周期中集成机器学习的方法

 

  来源:Franco, V.R., Hott, M.C., Andrade, R.G. et al. Hybrid machine learning methods combined with computer vision approaches to estimate biophysical parameters of pastures. Evol. Intel. (2022). https://doi.org/10.1007/s12065-022-00736-9

  

  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。