用于植物病害分类的端到端语义叶片分割框架


发布时间:

2022-07-08

来源:

本站

作者:

PhenoTrait

  有害昆虫和植物疾病威胁着食品质量和粮食安全,对这些病害的早期预警是非常有效的预防措施。由于机器学习的迅速发展,植物病害检测与分类是一个非常热门的研究领域。在过去的十年中,计算机视觉研究人员提出了不同的基于机器学习的植物病害识别算法。本文使用基于语义分割(SS)的深度卷积神经网络,提出了一种用于植物病害识别的端到端语义叶片分割模型。该算法突出了病变和健康部位,并对影响特定植物叶片的十种不同疾病进行分类。该模型通过SS成功地突出了前景(叶)和背景(非叶)区域,将区域识别为健康和疾病部分。由于所提出的方法为每个像素提供了语义标签,因此还估计了特定叶片的因疾病而受到影响的面积大小的相关信息。在本研究工作中,使用番茄植物叶子作为测试案例。在公共数据库Plant Village上测试了所提出的基于CNN的模型。此外还收集了两万张图像的数据集,并测试了框架。本文提出的模型获得了97.6%的平均准确率,这表明与以前的结果相比,在相同数据集上的性能有了显著改善。

 

  图1 PlantVillage数据库中的样本图像

 

  图2特征提取模块

 

  图3 使用Adam优化器,通过训练和验证集获得精度和损失变化

 

  图4实验中使用的一些样本图像:第1列显示原始图像,第2列显示地面真实数据,第3列显示使用所提出的SLS方法的分割图像

 

  来源:Khan, K., Khan, R.U., Albattah, W. et al. End-to-End Semantic Leaf Segmentation Framework for Plants Disease Classification. Complexity, 2022.

  

  编辑:张玉

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。