小麦点云的深度分割


发布时间:

2021-03-31

来源:

本站

作者:

PhenoTrait

植物的三维分析在模拟器官的相对结构和其他感兴趣的性状方面变得越发有效。本文介绍了一种基于模式的深度神经网络:Pattern-Net,用于小麦点云的分割。该研究首次将小麦点云分割成特定器官,并在三维空间中直接分析其性状。

 

小麦点云分割的模式网络结构

 

采集的多视图图像、重建点云和带注释的点云的样本

 

由于点云没有规则的网格,因此其分割具有挑战性。Pattern-Net在邻域之间建立一个动态链接,使用K近邻算法从一个三维点集跨多个抽象层次寻找稳定的模式。为此,将不同的层相互连接,从简单模式创建复杂模式,加强动态链接传播,缓解消失梯度问题,鼓励链接重用,大幅减少参数数量。本文提出的深度网络能够分析和分解非结构化的复杂点云,并将其分解为有意义的语义部分。最后,在小麦数据集上验证了该方法在三维空间分割小麦的有效性。

 

用模式网(垂直轴)预测不同穗数的小麦样品与地实值(水平轴)的比较。

 

浇灌良好条件下生长的10个个体(红色)和干旱条件下生长的10个个体(蓝色)的穗长。

 

来源:

Ghahremani M, Williams K, Corke F, et al. Deep Segmentation of Point Clouds of Wheat.

 

点击图片,了解详情

 

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。