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