卷积神经网络流程图_基于K均值聚类分割和卷积神经网络的小麦穗计数

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