学术中心
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.
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