SDNet:用于田间实时作物部位定位和表型分析的无约束对象结构检测器网络


发布时间:

2022-01-29

来源:

本站

作者:

PhenoTrait

  大多数估计姿态的神经网络应用案例,无论是自下而上还是自上而下的,都是围绕高度专业化和受约束的架构构建的。它们依赖于对目标对象特定关键点的检测,以便回归图像中对象的姿态。近年来,深度学习已成功应用于图像中各种物体的姿势和关键点的检测,包括人体、手和车辆的姿势或面部标志检测。虽然这些案例在各种环境中都很有效,但这些架构仍然不是很灵活,不能应用于结构不太稳定的对象上,比如植物。在植物上应用时的挑战包括:复杂且不明确的结构、品种、表型、营养状况等差异广泛以及算法的实时性和在田间应用目的。

 

  在本文中,作者提出了一种称为 SDNet 的神经网络,它适用于实时检测具有不受约束的关键点数量的物体姿态。为了展示其能力以及其在精准农业中的潜在应用,作者在自定义作物结构数据集上对其进行了评估,并在作物检测和叶子计数、以及茎叶关键点检测和定位这两个任务上将其性能与用于实时对象检测的最先进神经网络 Tiny YOLOv4的性能进行了比较。结果表明,与Tiny YOLO v4相比SDNet 在这两个任务上都取得了良好的性能,F1-score分别实现了2.18%和2.54%提升。

 

  图1结构检测网络架构。 编码器是Resnet34,解码器是三个上采样深度块的特征金字塔网络(FPN)。

 

  图2结构重建简化说明。a为原始图像,b和c分别是玉米茎锚点热图和部分关键点热图。 d显示具有偏移量(箭头)的离散化恢复。 e说明了与嵌入(蓝色箭头)的部分关联,f 显示了最终回归的星形图。

 

  图3 a:TY4 对叶子计数任务的预测,b:SDNet 对关键点检测任务的预测,c:SDNet 对作物结构的预测, d:SDNet 的常见预测误差。

  

  来源:Lac, L., Da Costa, J. P., Donias, M., Keresztes, B., Louargant, M., & Prigonrieux, F. (2021). SDNet: Unconstrained Object Structure Detector Network for In-Field Real-Time Crop Part Location And Phenotyping.

  

  编辑:婷婷

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。