实例与语义分割相结合的咖啡叶病虫害识别方法


发布时间:

2021-06-23

来源:

本站

作者:

PhenoTrait

咖啡作物病虫害的自动诊断是咖啡种植户面临的一个重要问题。计算机视觉和模式识别的传统方法在解决此类具有挑战性的问题方面存在局限性。然而,近几年来,人们对深度学习越来越感兴趣,特别是从智能手机采集的植物田间图像中检测/识别生物胁迫,因为它们受到光照变化、复杂背景、图像噪声等的影响。在这项工作中,我们提出了一个综合框架,通过使用不同的卷积神经网络(CNN)来自动检测/识别病变,这些病变是通过智能手机采集的咖啡树的一部分。

 

给定输入图像的PSPNet网络结构

 

给定输入图像的Mask-CNN网络结构

 

在第一阶段,我们使用一个掩模R-CNN网络进行实例分割;第二阶段利用UNet和PSPNet网络进行语义切分,最后在第三阶段利用ResNet进行分类。对于Mask R-CNN 网络,我们在实例分割任务中获得了73.90%的精度和71.90% 的召回率。对于UNet和PSPNet网络,我们得到的平均交集分别为94.25%和93.54%。结果表明,该框架适合于在嵌入式移动平台上实现,可供实际应用。

 

由三个步骤组成的拟议架构示意图

 

Mask-CNN实现与输入图像和地面真实性比较的结果示例

 

来源:

Lucas M.Tassis, João E.Tozzi de Souza and Renato A.Krohling. A deep learning approach combining instance and semantic segmentation to identify diseases and pests of coffee leaves from in-field images. Computers and Electronics in Agriculture Volume 186, July 2021, 106191. https://doi.org/10.1016/j.compag.2021.106191.

 

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。