基于深度学习的田间图像病害自动定量研究


发布时间:

2021-02-13

来源:

本站

作者:

PhenoTrait

植物病害是影响产量下降的主要因素。因此,植物育种人员目前依赖于选择抗病植物品种,这涉及到大量品种的病害严重程度评级。传统的视觉筛选容易出错,因此需要开发一个基于无人机(UAV)的田间采集图像的病害量化自动框架,以提高通量。由于这些图像受复杂背景、不均匀光线和树叶密集重叠的影响,最先进的框架将处理管道制定为一个二分问题(即是否存在病害)。然而,关于准确的病害定位和量化的额外信息对育种者来说至关重要。

 

野外图像数据不同分割算法的定性比较

 

级联MRCNN框架

 

提出的级联MRCNN的叶实例分割结果

 

本文提出了一种基于统一特征映射和多任务损失函数的端到端训练的叶片实例和相应病区同时分割的深度框架。我们以田间玉米数据集上为试验材料,对该框架进行了测试,结果表明,与人工地面真实数据的病害严重程度的相关性为73%,运行时效率为5fps。

 

不同方法的实例分割结果

 

选择不同分割算法的结果来提取病变区域(右上角显示骰子精度得分)

 

来源:

Garg K, Bhugra S and Lall B. Automatic Quantification of Plant Disease from Field Image Data Using Deep Learning.

 

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。