深度学习算法在不同图像背景下杂草和作物物种识别中的性能研究


发布时间:

2022-12-13

来源:

植物表型资讯

作者:

PhenoTrait

杂草识别是开发基于深度学习的杂草防控系统的基础。深度学习算法可以利用杂草和作物图像协助建立杂草检测模型。动态环境条件,如环境照明、移动的摄像机或变化的图像背景,都可能影响深度学习算法的性能。关于不同的图像背景对深度学习算法杂草识别的影响,目前的研究还很有限。本研究的目的是测试在盆栽混合(非均匀)和黑色砾石(均匀)背景可互换的图像中深度学习杂草识别模型的性能。在均匀背景和非均匀背景条件下,利用4台佳能数码相机在温室内采集杂草和作物图像。采用卷积神经网络(CNN)、视觉群几何(VGG16)和残差网络(ResNet50)深度学习体系构建杂草分类模型。在具有非均匀背景的图像上测试由均匀背景图像构建的模型,以及在具有均匀背景的图片上测试由非均匀背景图像建立的模型。结果表明,用非均匀背景图像构建的VGG16和ResNet50模型在均匀背景上进行了评估,f1平均得分分别为82.75%和75%。用均匀背景图像构建的VGG16和ResNet50模型在非均匀背景图像上进行了预验证评估,f1平均得分分别为77.5%和68.4%。当使用均匀和非均匀背景图像构建模型时,VGG16和ResNet50模型的性能都得到了改善,f1平均得分值在92%和99%之间。当使用与构建模型的图像不同背景的图像进行测试时,模型性能有所降低。

 

图1 图像捕获 (a)添加砾石前(非均匀背景)和(b)添加砾石后(均匀背景)。

 

图2  从相机获取的单幅图像中标记杂草和作物物种的流程

 

图3 使用python标记和裁剪后的佳能相机拍摄的图像中作物和杂草植物的图像。(a)使用黑色砾石前的杂草和作物图像(非均匀背景)(b)使用黑色砾石后的杂草和作物图像(均匀背景)。

 

图4 VGG16和ResNet50体系结构分为输入层、卷积层、池化层和输出层。(a)VGG16架构,(b)ResNet50架构。

 

图5 VGG16和ResNet50模型的训练、验证和测试步骤的开发流程图

 

来 源

Sunil, G. C., Koparan, C., Ahmed, M. R.et al. A study on deep learning algorithm performance on weed and crop species identification under different image background effects. Artificial Intelligence in Agriculture, 2022.

 

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。