利用深度学习模型识别作物水分胁迫


发布时间:

2020-10-29

来源:

植物表型资讯

作者:

PhenoTrait

识别水分胁迫是及时有效灌溉,确保全球粮食安全和可持续农业的主要挑战。目前有几种直接/间接的作物水分胁迫识别方法,但耗时长、繁琐,而且需要高精密的传感器或设备。图像处理是可以直接帮助评估水分胁迫的技术之一。结合机器学习与图像处理技术YOU有助于识别水分胁迫,打破了传统图像处理的局限性。近年来,深度学习(DL)技术在图像分类中得到了迅速发展,基于DL的卷积神经网络得到了广泛应用。

 

深度学习模型的架构a)AlexNet, b)GoogLeNet, c)Inception V3

 

胁迫作物鉴定工作流程示意图

 

本研究以玉米(Zea mays)、秋葵(Abelmoschus esculentus)和大豆(Glycine max)为试验材料,比较了三种DL模型(AlexNet,GoogLeNet和Inception V3)的鉴定水分胁迫效果。每种作物采集1200幅数字图像,作为深度学习模型的输入数据集。结果显示,在三种模型中,GoogLeNet的预测精度较高,玉米、秋葵和大豆的准确率分别为98.3%、97.5%和94.1%。

 

描述玉米、黄秋葵、大豆GoogLeNet模型分类精度的混淆矩阵

 

来源:

Chandel N S, Chakraborty S K, Rajwade Y A, et al. Identifying crop water stress using deep learning models. Biosystems Engineering. Neural Computing and Applications (2020). https://doi.org/10.1007/s00521-020-05325-4。

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。