利用计算机视觉和机器学习进行高通量表型分析
本文介绍了一种用于在农业自动化领域中实现自动视觉检查的叶片计数和分割分析方法,该方法使用数据增强来训练深度神经网络,取得了在标准基准测试中最先进的结果,即由植物表型学的计算机视觉难题托管的叶片分割竞赛。
Mar, 2019
本研究提出使用合成数据进行植物的实例分割,介绍了一种用于弥合种类差距的通用植物生成器UPGen,研究了多种使用合成数据训练模型的方法,取得了比使用公开数据传递学习普遍惯例更好的效果,并在CVPPP Leaf Segmentation Challenge竞赛中取得新的最高水平。此研究适用于利用合成数据自动化测量表型特征。
Mar, 2020
本文介绍了利用传感器(如RGB,热像仪和高光谱相机等)实现自动化高通量植物表型分析的方法,详细介绍了Sorghum-100数据集,以及使用动态异常值汇聚方法对该数据集进行对不同品种的作物图像分类的方法。
Jun, 2021
提出了一种基于弱监督学习的3D植物幼芽分割框架Eff-3DPSeg,该框架使用深度学习和点云技术,可以在有限标注点的情况下官能植物器官实现高质量的分段,为植物育种提供了一种有效的方法。
Dec, 2022
本文介绍了利用自动摄像系统和深度学习技术对植物群落组成进行快速、准确分析的方法,并提出了一种名为 Monte-Carlo Cropping 的新方法来处理高分辨率图像以及处理大量没有标签的图像数据。经过评估发现,该方法可以提高物种、群落和分割度量的精度。
Jul, 2023
通过比较不同的You Only Look Once (YOLO)架构,本论文研究了在棉花中对Amaranthus palmeri (Palmer杂草)进行的8个生长阶段的识别。识别组合了视觉和大小特征,提高了性能。成功的生长阶段检测凸显了通过开源目标检测架构来改进植物表型研究和杂草识别技术的重大机遇。
Jul, 2023
通过对植物病理学方面的当前深度学习方法进行调研和现有机器学习方法的研究,我们提出了一种名为通用堆叠多输出CNN的新模型(GSMo-CNN),并在三个基准数据集上进行了大量实验。实验结果表明,InceptionV3是作为骨干CNN的较好选择,其性能优于AlexNet、VGG16、ResNet101、EfficientNet、MobileNet和我们开发的自定义CNN,并证实单一模型的使用可以与或优于使用两个模型。最终,我们展示了提出的GSMo-CNN在三个基准数据集上达到了最先进的性能。
Oct, 2023
通过自主训练的方法,该论文提出了一个新的用于植物表型分析的网络骨干初始化方法,并引入了一种针对叶片实例分割的新型自动后处理方法,实验证明我们的方法在所有调研场景中均提升了性能。
Jan, 2024
植物表型鉴定的过程中,本文提出了一种基于UPWINS光谱库训练的可解释的神经网络,通过可视化网络权重来学习草地植被的光谱指标,并展示了这些指标如何通过组合来进行物种鉴定,在测试集上达到90%的准确率。
Jul, 2024