基于深度学习的农业植物表型研究论文研读(一）

1、基于深度学习的农业植物表型研究综述

A survey on deep-learning-based plant phenotype research in agriculture

该文章提出采用机器视觉的方法对可见光图像进行处理以获得植物种类、果实数量、病虫害类别等表型信息时, 难以解决相邻叶片、穗与果实造成的重叠、遮挡等问题. 实验室环境采集的图像往往背景纯净, 光照均匀且图像中包含的植株或器官数量较少, 而解决田间实际问题常受背景复杂、光照差异以及遮挡物阴影的干扰.提及深度学习由大数据集驱动, 不需要领域专家设定目标数据特征, 就可以提取到更高维度的特征判别依据, 已展示出强大的数据处理优势. 特别是卷积神经网络(convolutional neural networks, CNN)、循环神经网络(recurrent neural networks, RNN)和长短期记忆模型(long-short term memory, LSTM)等深度学习方法, 已经在图像分类、物体识别与序列特征提取等方面取得了巨大成功. 本文主要从植物株型与生理参数获取、植物识别与杂草检测、病虫害检测以及产量预测四个方面

2、基于深度学习的水稻表型特征提取和穗质量预测研究

基于深度学习的水稻表型特征提取和穗质量预测研究 - 中国知网

水稻产量与水稻穗数和穗质量密切相关,精确预测水稻产量可以加快育种速度。以盆栽水稻为研究对象,首先利用可见光图像结合图像处理技术进行特征提取,获取整株水稻的51个表型特征。结合深度学习,运用Faster R-CNN卷积神经网络训练模型对水稻穗数进行检测,同时使用SegNet网络框架训练得到的模型对水稻稻穗进行分割,得到水稻穗部的二值图像,结合图像处理技术提取穗部的33个表型特征数据。提取了颜色、形态、纹理共85个表型参数,对所有85个数据进行归一化处理,将归一化的85个表型数据与稻穗鲜质量、干质量进行逐步线性回归,挑选相关性高的特征数据。分别使用穗数和33个特征穗部、51个特征整株、所有85个特征中相关性高的特征数据构建盆栽水稻稻穗鲜质量、干质量的预测模型,最后根据模型的决定系数R2、平均相对误差(MAPE)和相对误差绝对值的标准差(SAPE)挑选最优预测模型。预测结果表明穗部特征预测效果最好,其中效果最好的模型鲜质量、干质量预测值与真实值的决定系数R2分别达到0.787±0.051和0.840±0.054。

3、基于DBSE-Net的大田稻穗图像分割

​​​​​​​基于DBSE-Net的大田稻穗图像分割 - 中国知网

稻穗精准分割是准确估测水稻产量的关键。为实现大田环境下不同品种与生育期稻穗的准确分割，该研究提出了基于注意力机制的稻穗分割网络（Double Branch Squeeze-and-Excitation Network,DBSE-Net）。首先，提出一个双分支压缩与激励（DoubleBranchSqueeze-and-Excitation,DBSE）注意力模块，通过同时使用全局平均池化（GlobalAverage Pooling,GAP）和全局最大池化（Global Max Pooling,GMP）编码输入特征的通道信息，以实现更精准的通道注意力推断。然后，为了强化稻穗特征并抑制背景区域特征，将DBSE模块添加到编码-解码分割框架中构建DBSE-Net分割网络。最后，在自采集的稻穗图像数据集上进行分割性能测试，DBSE-Net对稻穗分割的像素准确率、平均交并比和F1分数分别达到了94.32%、87.59%和91.86%，比次优模型DeepLabv3+的结果分别高出1.61、2.56和1.20个百分点，在单张256×256（像素）图像上耗时0.03s，是DeepLabv3+分割速度的5.3倍。在公开的稻穗图像数据集上进行泛化性能测试，DBSE-Net能够有效分割出稻穗区域。该研究结果表明，DBSE-Net能够对不同品种与生育期稻穗实现高效精准分割，具有良好的泛化性，可以为水稻产量评估提供参考。

4、基于深度全卷积神经网络的大田稻穗分割

基于深度全卷积神经网络的大田稻穗分割 - 中国知网

稻穗的准确分割是获取水稻穗部性状、实现水稻表型自动化测量的关键。该研究应用水稻图像数据集及数据增广技术,离线训练了用于稻穗分割的3个分别基于Seg Net,Deep LAB和PSPNet的全卷积神经网络。综合考虑分割性能和计算速度,优选了基于Seg Net的网络,称为Panicle Net。在线分割阶段先将原始图像划分为子图,由Panicle Net分割子图,再拼接子图得到分割结果。比较该算法及现有作物果穗分割算法Panicle-SEG、HSeg、i2滞后阈值法及joint Seg,该算法对与训练样本同年度拍摄样本Qseg值0.76、F值0.86,不同年度样本Qseg值0.67、F值0.80,远优于次优的Panicle-SEG算法,且计算速度约为Panicle-SEG算法的35倍。该算法能克服稻穗边缘严重不规则、不同品种及生育期稻穗外观差异大、穂叶颜色混叠和复杂大田环境中光照、遮挡等因素的干扰,提升稻穗分割准确度及效率,进而服务于水稻育种栽培。