学术中心
全自动根图像分析(faRIA)
- 分类:植物表型资讯
- 作者:PhenoTrait
- 来源:本站
- 发布时间:2021-08-22 06:10
- 访问量:
【概要描述】本文提出了一个基于GUI的工具,用于使用预训练的CNN模型对根图像进行全自动定量分析,该模型依赖于U-Net架构扩展。开发的CNN框架旨在使用低成本硬件系统有效分割不同大小、形状和光学对比度的根结构。
全自动根图像分析(faRIA)
【概要描述】本文提出了一个基于GUI的工具,用于使用预训练的CNN模型对根图像进行全自动定量分析,该模型依赖于U-Net架构扩展。开发的CNN框架旨在使用低成本硬件系统有效分割不同大小、形状和光学对比度的根结构。
- 分类:植物表型资讯
- 作者:PhenoTrait
- 来源:本站
- 发布时间:2021-08-22 06:10
- 访问量:
土壤中的高通量根系表型分析已成为评估气候因素和分子扰动对植物根系形态、发育和功能影响的不可或缺的定量工具。为了有效地分析大量结构复杂的根系图像,需要先进的自动图像分割方法。由于背景重叠,简单的阈值方法一般不适合用于根区域的分割。更高层次的认知模型,如卷积神经网络(CNN)提供了从异质和噪声背景结构中分割根的能力,但是需要具有代表性的手动分割(地面真实)图像。本文提出了一个基于GUI的工具,用于使用预训练的CNN模型对根图像进行全自动定量分析,该模型依赖于U-Net架构扩展。开发的CNN框架旨在使用低成本硬件系统有效分割不同大小、形状和光学对比度的根结构。
用于土壤根图像分割的拟议 U-Net 架构
来自 IPK 植物表型系统的示例性根图像
在一组6465个掩模上训练CNN模型,该掩模来源于182张人工分割的近红外玉米根图像。实验结果表明,该方法的Dice系数为0.87,不仅适用于NIR,而且适用于其他成像方式和植物物种,如LED rhizotron和UV成像系统的大麦和拟南芥土壤根图像,其性能优于现有工具(如SegRoot,Dice系数为0.67的)。综上所述,开发的软件框架使用户能够以自动方式(即无需手动交互数据和/或参数调整)有效地分析土壤根图像,为定量植物科学家提供了强大的分析工具。
faRIA:256 模型在 200 个时期内的训练和验证性能
来源:
Narisetti N, Henke M, Seiler C, et al. Fully-automated root image analysis (faRIA). Scientific Reports volume 11, Article number: 16047 (2021). https://doi.org/10.1038/s41598-021-95480-y.
扫二维码用手机看
推荐新闻

发布时间 : 2022-11-13 07:26:55

发布时间 : 2022-05-20 11:45:57

发布时间 : 2022-05-13 10:56:43
视频展示
专题报道
联系我们
慧诺瑞德(北京)科技有限公司
地址:北京市海淀区西三旗街道建材城中路12号院8号楼2门
电话:010-62925490、82928854、82928864、82928874
传真:010-62925490-802
Email: info@phenotrait.com
邮编:100096
在线留言
关注我们

植物表型圈

植物表型资讯
慧诺瑞德(北京)科技有限公司版权所有 京ICP备15043840号 网站建设:中企动力 北二分 法律声明