点击蓝色字免费订阅,每天收到这样的好资讯
为了实现快速、准确的小麦穗计数,本文采用K均值聚类对手持设备采集的小麦穗图像进行自动分割,植物表型资讯介绍如下。
小麦产量受单位面积穗数的影响,传统上采用人工计数来估计小麦产量。为了实现快速、准确的小麦穗计数,本文采用K均值聚类对手持设备采集的小麦穗图像进行自动分割。通过建立非小麦穗、1个小麦穗、2个小麦穗和3个小麦穗四类图像标签,构建分割后的数据集,并将其送入卷积神经网络(CNN)模型进行训练和测试,以降低模型的复杂度。
麦穗图像处理流程图
结果显示对非小麦、1个小麦穗、2个小麦穗和3个小麦穗的识别准确率分别为99.8、97.5、98.07和98.5%。模型R2达到0.96,均方根误差(RMSE)为10.84穗,宏观F1评分和微观F1评分均达到98.47%,在灌浆后期(R2= 0.99,RMSE =9.47穗)达到最佳性能。
小麦穗部轮廓特征提取图
数据集图像说明
综上所述,与目标识别相比,分割图像分类不仅能够减少人工标注的工作量,而且能够显著提高小麦计数的效率和准确率,满足了田间环境下小麦估产的要求。
用该模型识别的小麦穗与图像中相应的人工识别值的比较
来源:
Xu X, Li H, Yin F, et al. Wheat ear counting using K-means clustering segmentation and convolutional neural network. Plant Methods. https://doi.org/10.1186/s13007-020-00648-8.
扩展阅读:
报告合集|无人机表型
直播回放|漫谈叶绿素荧光:从原理到应用
国际植物表型网络IPPN介绍和入会指南
表型资讯3周年目录汇总
植物表型资讯2020年1-8月目录汇总
点击“在看”,助力传播