AutoOLA:自动对象级增强的小麦穗计数-慧诺瑞德（北京）科技有限公司|叶绿素荧光|光合作用|植物表型

学术中心

全部分类

AutoOLA:自动对象级增强的小麦穗计数

发布时间：

2023-02-17

来源：

植物表型资讯

作者：

PhenoTrait

亩穗数是小麦作物农业中最关键的指标之一，与产量估算呈正相关。许多研究已经开发了基于机器视觉的高通量表型算法，并证明所开发的模型可以准确地检测和计数小麦穗。然而，以前开发的模型的缺点是其昂贵和耗时的数据准备过程。虽然捕捉小麦的图像相对简单，但在收集的数据集中注释数千个麦穗需要大量的时间和精力。因此，本研究提出了一种新的增强算法，自动对象级增强(AutoOLA，图1)，可以大大减少深度学习(Deep Learning，DL)模型中所需的训练样本数量。在该算法中，小麦图像中的不同对象，包括穗、叶、茎和背景（图2），根据各自的增强策略（图4）进行独立的解耦和增强。然后通过随机组合生成增强图像（图3，图7）。此外，采用进化优化算法自动设计每个解耦对象的转换类型及其大小（图8）。所提出的AutoOLA模型包含两个不同的C-CNN和F-CNN DL模型，如图5。结果表明，提出的AutoOLA明显提高了预测精度（图10，图11），可以提高小麦穗数识别性能高达60%。

采用AutoOLA-DL混合模型，在只有一张可训练图像的情况下，可以预测田间小麦穗数，均方根误差(Root Mean Squared Error，RMSE)、平均绝对误差(Mean Absolute Error，MAE)和平均绝对百分比误差(Mean Absolute Percentage Error，MAPE)分别为2.695、2.085和13.817，如图9。在ETHZ-1子数据集和GWHD数据集（图6）上测试的basic-one和5augg -magmax模型与作为基准的basic-all模型相比性能下降，如图12。

图1 AutoOLA算法概述

图2 场内图像的穗、叶、茎和背景的一些示例

图3 2aug和5aug策略结构中的10种转换类型及其大小

图4 随机大小转换类型的一个例子

图5 (a) F-CNN和(b) C-CNN架构

图6 (a) GWHD数据集和(b) ETHZ-1子数据集的一些示例

图7 (a) AugMix, (b) AutoAugment, (c) CutMix, (d) Mixup, (e) RandAugment, (f) Random Erasing, (g) 2aug-minmag, (h) 5aug-minmag, (i) 2aug-magmax, and (j) 5aug-magmax图像增强的示例

图8 优化迭代过程中AutoOLA技术的性能。

图9 在只有一个训练样本的情况下，根据(a) RMSE， (b) MAE和(c) MAPE，与作为基准的基本所有模型相比，模型的性能有所下降。

图10 不同图像增强(a) basic-all, (b) basic-one, (c) 5aug-magmax, (d) 2aug-magmax, (e)5aug-minmag, (f) 2aug-minmag, (g) AugMix, (h) AutoAugment, (i) CutMix, (j) Mixup, (k) RandAugment, and (l) Random Erasing的地面真实麦穗数与测试样本的预测数量

图11 不同图像增强(a) basic-all, (b) basic-one, (c) 5aug-magmax, (d) 2aug-magmax, (e)5aug-minmag, (f) 2aug-minmag, (g) AugMix, (h) AutoAugment, (i) CutMix, (j) Mixup, (k) RandAugment, and (l) Random Erasing的点注释预测结果

图12 在(a) ETHZ-1子数据集和(b) GWHD数据集上测试的basic-one和5augg -magmax模型与作为基准的basic-all模型相比性能下降

来源

Amirhossein Zaji, Zheng Liu, Gaozhi Xiao, Pankaj Bhowmik, Jatinder S. Sangha, Yuefeng Ruan. AutoOLA: Automatic object level augmentation for wheat spikes counting. Computers and Electronics in Agriculture. https://doi.org/10.1016/j.compag.2023.107623

编辑

王春颖

扩展阅读