基于加权GAN和U-Net的Taylor Coot算法用于作物表型性状估计


发布时间:

2023-06-12

来源:

植物表型资讯

作者:

PhenoTrait

准确稳定的收集植物表型数据为支持作物科学发展,确保生态安全、农业增长和粮食安全提供了理论和技术支持。鉴别作物表型特征是指检测由于环境和植物遗传的相互作用而导致的植物特征中存在的差异,这是植物育种中的一项重要研究,因为它能够使育种者找到具有抗逆性和高产量等物理特征的各种作物。利用人工测量作物的表型特征,费时费力,且易导致结果不准确,在本文中,这些问题通过开发一种基于Taylor Coot算法的方法来解决,该算法用于分割植物区域和生物量区域,以检测出苗计数和估计作物的生物量。出苗计数和生物量估计过程是以并行的方式进行的,使用的是通过开发和优化训练的深度残差网络(DRN)。分割框架是使用生成对抗网络(GAN)和U-Net来分割植物区域和生物量区域。例如,植被指数的提取使得生物量估计的过程使用深度学习模型产生更多的最佳特征。所提出的模型获得了最小的平均绝对差异(MAD)0.073、标准绝对差异(SDAD)0.074和百分比差异(%D)16.45。此外,DRN显示出更高的性能,在生物量估计方面获得最小的MAD、SDAD和%D为0.069、0.096和14.85。

 

图1 所提出方法的示意图

 

 图2 GAN结构

 

图3 U-Net结构

 

 图4. DRN结构

 

图片

图5 出现计数的图像结果,a)输入图像,b)预处理结果,c)分割图像。

图片图6 生物量估计的样本图像结果,a)原始图像,b)EVI结果,c)GARI图像,d)NDVI结果,e)WDRVI图像,f)分割图像。

 

图片图7 分割精度,a)使用训练数据,b)通过k倍。

 

 图8 基于数据样本的分析,a)MAD,b)SDAD,c)%D。

 

 图9 k倍分析,a)MAD,b)SDAD,c)%D。

 

图10 基于训练样本的分析,a)MAD,b)SDAD,c)%D。

 

 图11 k倍分析,a)MAD,b)SDAD,c)%D。

 

 

来 源

Debnath S, Preetham A, Vuppu S, et al. Optimal weighted GAN and U-Net based segmentation for phenotypic trait estimation of crops using Taylor Coot algorithm[J]. Applied Soft Computing, 2023: 110396.

 

https://doi.org/10.1016/j.asoc.2023.110396

 

 

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。