基于低空无人机图像和深度学习的表型系统开发


发布时间:

2021-03-16

来源:

本站

作者:

PhenoTrait

本研究结合基于深度学习的穗部检测和基于轻型消费级无人机的摄影测量的优点,提出了一种轻型表型系统。

 

2018(a)和2019(b)试验水田

 

在四个常见场景下目视检查Mask R-CNN的结果:

 

研究人员进行了为期两年的实验,以进行数据收集和准确性验证。针对稻田复杂场景下的穗粒检测问题,提出了一种基于掩模区域的卷积神经网络(Mask R-CNN)深度学习模型。共有13857张图片被输入Mask R-CNN,其中80%用于训练,20%用于验证。结果得到,Mask R-CNN的得分、准确度、召回率、平均准确度(AP)和F1得分分别为82.46%、80.60%、79.46%和79.66%。另外,本文还提出了一个完整的飞行轨迹预处理流程,去除重复检测和噪声。最后,利用地理分布直观地反映了水稻抽穗期生长的明显变化,并在预测了收获前的总穗数。穗数预测的平均误差为33.98%。实验结果表明,该系统作为高通量表型分析方法是可行的。

 

穗生长模型

 

抽穗期穗比记录

 

来源:

Lyu S, Noguchi N, Ospina R, Kishima Y. Development of phenotyping system using low altitude UAV imagery and deep learning. IJABE. DOI: 10.25165/j.ijabe.20211401.6025.

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。