利用深度卷积神经网络对豇豆叶片进行自动分类


发布时间:

2023-04-29

来源:

植物表型资讯

作者:

PhenoTrait

本论文使用二元分类方法区分豇豆叶和其他/杂草叶。豇豆是一种营养作物,但全球豇豆研究很少。因此,我们的实验基于豇豆叶开展,以提高高纤维消耗的生产力。目前,尚未有研究在豇豆叶数据集上实现模型自动分析。因此,我们的工作对于这个领域的研究人员非常重要。在这种情况下,有各种最先进的算法可用,但我们的方法似乎与现有算法具有竞争力。我们在论文中以表格形式综合分析了完整的实验结果。图像来自印度农业研究委员会(ICAR)的豇豆田,并在实验室中构建了数据集。植物在适宜的环境条件下生长,并使用标准的DSLR相机收集图像。在提出的CNNs模型中,豇豆叶的数据(图像)已从研究农场收集。对于所有收集的数据,我们已经制作了标记数据(数据库),以利用豇豆叶进行进一步的研究,然后应用了三个卷积神经网络对豇豆叶进行分类,以用于智慧农业。实验结果表明,DenseNet121在CLDC上实现了最高准确率的检测性能。我们还使用了另外两个CNN架构来识别豇豆叶和杂草,并在论文中进行了比较研究和探讨。DenseNet121方法分别在训练数据集和测试数据集上达到了86.12%和88.89%的准确率。

 

图1 来自印度研究农场ICAR的数据收集。

 

图2 豇豆和杂草叶子的样本数据集。

 

图3 工作流程图。

 

图4 使用深度神经网络进行二进制分类的工作架构。

 

图5 实施自动化所遵循的步骤。

 

图6 Inception-v3深度学习模型损失曲线。

 

图7 Inception-v3深度学习模型的准确率。

 

图8 CNN-Sequential深度学习模型准确率。

 

图9 CNN-Sequential深度学习模型损失率。

 

图10 DenseNet121深度学习模型的准确性。

 

图11 DenseNet121深度学习模型损失。

 

图12 深度学习模型的单位矩阵。

 

 
来 源

Choudhary V, Guha P, Pau G, et al. Automatic Classification of Cowpea Leaves Using Deep Convolutional Neural Network[J]. Smart Agricultural Technology, 2023: 100209.

doi: https://doi.org/10.1016/j.atech.2023.100209

 

编辑

小王博士在努力
 

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。