学术中心
基于加权GAN和U-Net的Taylor Coot算法用于作物表型性状估计
- 分类:学术中心
- 作者:PhenoTrait
- 来源:植物表型资讯
- 发布时间:2023-06-12 06:10
- 访问量:
【概要描述】
基于加权GAN和U-Net的Taylor Coot算法用于作物表型性状估计
【概要描述】
- 分类:学术中心
- 作者:PhenoTrait
- 来源:植物表型资讯
- 发布时间:2023-06-12 06:10
- 访问量:
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
扫二维码用手机看
推荐新闻

发布时间 : 2022-11-13 07:26:55

发布时间 : 2022-05-20 11:45:57

发布时间 : 2022-05-13 10:56:43
视频展示
专题报道
联系我们
慧诺瑞德(北京)科技有限公司
地址:北京市海淀区西三旗街道建材城中路12号院8号楼2门
电话:010-62925490、82928854、82928864、82928874、18600875228
传真:010-62925490-802
Email: info@phenotrait.com
邮编:100096
在线留言
关注我们

植物表型圈

植物表型资讯
慧诺瑞德(北京)科技有限公司版权所有 京ICP备15043840号 网站建设:中企动力 北二分 法律声明