基于物联网多模态数据诊断小麦水分状况的新型混合深度网络


发布时间:

2022-12-06

来源:

植物表型资讯

作者:

PhenoTrait

诊断和检测植物水分胁迫对精确栽培的稳健和快速应用至关重要。此外,对植物水分状况的评估是抗水胁迫植物育种的一个有价值的工具。植物水分状态的自动检测是农业中的一个重大挑战,因为它是生长、生产力、质量和可持续性的关键调节器。因此,准确监测植物的水分状况就显得尤为重要。

监测植物水分状况的传统方法,如实验室相对含水量、叶片水势等方法,但具有破坏性、耗时和劳动密集型的缺点。随着技术的更新,基于特定传感器数据采集和智能处理的物联网(IoT)解决方案可以通过提供准确、一致和快速的分析来帮助用户进行精确灌溉。

本研究旨在提出一种基于卷积神经网络(CNN)和长短期记忆(LSTM)的混合深度学习方法,用于自动识别小麦的水分状态。该方案使用了基于物联网的数据传输设备,如数码相机、土壤湿度、风速、空气温度和相对湿度等监测传感器,相关的环境因素在植物图像采集期间被记录下来。在不同缺水水平下,共采集了876张小麦植株图像。应用数据增强方法将训练数据集的大小扩展到5256张图像。使用所提方法对CMYK(青色-品红-黄-黑)、HSV(色调-饱和度)、RGB(红-绿-蓝)和灰度等不同类型的图像颜色模式进行了评估。实验结果表明,基于RGB图像、气候条件和土壤湿度特征的组合CNNRGB-LSTMEF-CNNEF深度网络的性能优于单个RGB图像的特征。它的验证准确度、分类准确度、召回率、F值和交并比的输出为100%,损失为0.0012。本研究所设计的框架可以为农业生产者在植物生长临界水平之前检测植物的水分胁迫,并及时做出管理决策提供服务。 

 

图1 实验设计布局。

 

图2 系统的组成部分和传感器数据的监测。

 

图3 CNN模型的总体结构设计。

 

图片

图4 基于环境和图像数据的最佳组合CNNRGB-LSTMEF-CNNEF深度网络架构。

 

图5 水胁迫检测模型的混淆矩阵:(a) CNNRGB-CNNEF (b) LSTMRGB-LSTMEF和(c) CNNRGB-LSTMEF-CNNEF。

 

来 源

Elsherbiny, O., Zhou, L., He, Y. et al. A novel hybrid deep network for diagnosing water status in wheat crop using IoT-based multimodal data. Computers and Electronics in Agriculture, 2022, 203, 107453.

编 辑

张玉

扩展阅读

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。