使用人工智能方法实时评估植物光合色素含量


发布时间:

2021-02-04

来源:

本站

作者:

PhenoTrait

植物光合色素含量测定是农业研究中常用的方法,可以描述植物营养状况、对环境变化的反应、衰老、病害状况等。本文展示了如何利用人工智能的方法进行无损、实时地预测植物叶片中光合色素含量。

 

使用过拟合去除方法的P3Net训练和验证平均绝对误差(MAEs)的比较

 

首先,利用嵌入在基于android移动应用程序中的卷积神经网络(CNN)模型,对叶片数字图像进行处理,预测三种主要的光合色素含量:叶绿素、类胡萝卜素和花青素。然后,讨论了最佳CNN模型的数据表示、低样本量处理和发展策略。结果显示,我们的CNN模型光合色素预测网络(P3Net)可以同时准确预测叶绿素、类胡萝卜素和花青素含量。花青素的预测误差为±2.93mg/g(0~345.45mg/g),类胡萝卜素的预测误差为±2.14mg/g(0~211.30mg/g),叶绿素的预测误差为±5.75mg/g(0~892.25mg/g)。

 

每个卷积神经网络模型的验证平均绝对误差(MAE)比较及其文件大小

 

使用移动应用程序的实时植物光合色素评估系统

 

综上所述,本文的研究是振奋人心的,可作为未来精密农业物联网智能设备发展的基准。

 

叶片图像的性能评价

 

来源:

Prilianti K R, Anam S ,Brotosudarmo T H P, et al. Real-time assessment of plant photosynthetic pigment contents with an artificial intelligence approach in a mobile application.Journal of Agricultural Engineering. https://doi.org/10.4081/jae.2020.1082.

 

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。