全卷积神经网络_利用全卷积神经网络检测图像中单个葡萄浆果

点击蓝色字免费订阅，每天收到这样的好资讯

本文将完全卷积神经网络应用于Phenoliner表型平台，并检测捕获的图像中的单个葡萄浆果，植物表型资讯介绍如下：

在葡萄育种栽培领域，产量估算和预测具有重要意义，每株植物收获的浆果数量与果实的质量密切相关。因此，早期产量预测可以对浆果进行集中控流，以确保高质量的产品输出。传统的产量估算是通过从小样本量推断和历史数据来完成的。此外，还需要有丰富经验的技术专家来执行。利用图像进行浆果检测为科学家们提供了一种低成本、快速和非侵入性的替代方案，可以替代耗时且主观的现场分析。

识别浆果的示例

不同培训系统的示例

田间表型平台Phenoliner

本文将完全卷积神经网络应用于使用Phenoliner(一种表型平台)获得的图像中。研究人员选择计算图像中的单个浆果，以避免对葡萄串的错误检测。由于葡萄串的浆果具有重叠性，并在大小上存在很大差异，大大增加了检测难度。为此，研究人员选择直接在葡萄园中检测白葡萄，并将单个浆果的检测分类为三个类别的分类任务，即“浆果”、“边缘”和“背景”。利用连通分量算法确定一幅图像中浆果的数量。本文将自动计数的浆果数量与60幅图像中手动检测的结果进行了比较，这些图像显示了垂直拍摄定位格子(VSP)和半最小修剪树篱(SMPH)中的雷司令(Riesling)葡萄品种。结果证明，该方法能够在VSP系统内正确检测浆果，准确率为94.0％，SMPH系统的准确率为85.6％。

分类工作流程

错误分割的对象

检测问题

来源：

Zabawa L, Kicherer A, Klingbeil L, Detection of Single Grapevine Berries in Images Using Fully Convolutional Neural Networks, arXiv:1905.00458v1 [cs.CV] 1 May 2019

扩展阅读：

粽香情浓，植物表型资讯一周年目录汇总

植物表型资讯2018年1-12月目录汇总

植物表型资讯2019年1-4月目录汇总