基于K均值聚类分割和卷积神经网络的小麦穗计数


发布时间:

2020-09-14

来源:

植物表型资讯

作者:

PhenoTrait

 小麦产量受单位面积穗数的影响,传统上采用人工计数来估计小麦产量。为了实现快速、准确的小麦穗计数,本文采用K均值聚类对手持设备采集的小麦穗图像进行自动分割。通过建立非小麦穗、1个小麦穗、2个小麦穗和3个小麦穗四类图像标签,构建分割后的数据集,并将其送入卷积神经网络(CNN)模型进行训练和测试,以降低模型的复杂度。

 

麦穗图像处理流程图 

 

结果显示对非小麦、1个小麦穗、2个小麦穗和3个小麦穗的识别准确率分别为99.8、97.5、98.07和98.5%。模型R2达到0.96,均方根误差(RMSE)为10.84穗,宏观F1评分和微观F1评分均达到98.47%,在灌浆后期(R2= 0.99,RMSE =9.47穗)达到最佳性能。

 

小麦穗部轮廓特征提取图

 

综上所述,与目标识别相比,分割图像分类不仅能够减少人工标注的工作量,而且能够显著提高小麦计数的效率和准确率,满足了田间环境下小麦估产的要求。

 

用该模型识别的小麦穗与图像中相应的人工识别值的比较

 

来源:

Xu X, Li H, Yin F, et al. Wheat ear counting using K-means clustering segmentation and convolutional neural network. Plant Methods. https://doi.org/10.1186/s13007-020-00648-8.

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。