WheatNet:基于轻量级卷积神经网络的高通量图像小麦穗检测和计数


发布时间:

2021-04-17

来源:

本站

作者:

PhenoTrait

利用人工记录的田间观测数据对于植物育种决策至关重要。然而,某些表型性状,如植物颜色、高度、籽粒数等,只能在作物生长周期的特定时间窗内采集,且劳动强度大,每个季节只能采集一小部分田间实时观察的结果。为了缓解小麦育种中的数据收集瓶颈,本文提出了一种新的深度学习框架——WheatNet,该方法可以准确有效地计算小麦穗数,收集实时数据,从而进行农艺决策。同时,本文验证了该方法在麦田的各种环境条件的稳健性和准确性。

 

这幅图像显示了小麦基因型、麦穗取向、发育阶段和图像尺度的高度变异性

 

WheatNet的网络结构

 

首先,使用截短的MobileNetV2作为一个轻量级的主干特征提取器。然后,提取多尺度特征到两个并行的子网络中,同时进行基于密度的计数和定位任务。结果显示,我们提出的方法在麦穗计数任务中,MAE和RMSE分别达到3.85和5.19,且而与其他最先进的方法相比,参数要少得多。综上所述,该方法具有一定的优越性和有效性。

 

我们提出的方法的视觉效果

 

用本文提出的方法和快速R-CNN方法估计小麦穗部的预测中心

 

来源:

Khaki S, Safaei N, Pham H and Wang L. WheatNet: A Lightweight Convolutional Neural Network for High-throughput Image-based Wheat Head Detection and Counting. arXiv:2103.09408.

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。