元学习在植物病害检测中的应用


发布时间:

2021-11-05

来源:

本站

作者:

PhenoTrait

  植物病害会损害作物生长,这对作物的减产具有重大影响。目前的研究工作主要采用卷积神经网络(CNN)来检测苹果赤霉病和南瓜白粉病等的植物病害,但这种方法由于依赖于大量的人工标记数据而存在局限性。此外,植物病原体是可变的,这使得在农场环境中收集足够多的数据变得困难。而基于深度学习的方法在面对较少的数据样本时,准确性和可信度也会降低。本研究提出了基于元学习的局部特征匹配条件神经自适应过程(LFM-CNAPS),旨在通过几个注释示例检测未知类别的植物病害。为了训练网络,本文提供了包含26种植物和60种植物病害的微型植物病害数据集。综合实验表明,本研究提出的LFM-CNAPS方法优于现有的方法。

 

  图1 LFM-CNAPS流程图

  在图中,白色实心正方形为数据变量,黑色箭头为数据流方向,白色空心箭头为正向传播,红色箭头为反向传播。

 

  图2 番茄病害的视觉解析

  (a) 叶霉病;(b) 晚疫病;(c)斑枯病;(d)二斑叶螨。

 

  图3分类基础由TAM可视化的LFM-CNAPS

  (a) 患病的紫檀样品;(b)马铃薯晚疫病样品。

 

  来源 : Chen L., Cui X. and Li W. Meta-Learning for Few-Shot Plant Disease Detection. Foods, 2021, 10,2441. https://doi.org/10.3390/foods10102441。

 

  编辑 : 张玉

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。