從原型到推理：深度學(xué)習(xí)在高粱穗部檢測(cè)中的應(yīng)用

對(duì)于高粱這類在產(chǎn)生不同分蘗數(shù)的作物，穗的密度是了解作物產(chǎn)量的主要組成部分。在植物育種和商業(yè)作物的農(nóng)學(xué)研究中，利用穗密度通常依賴于人工計(jì)數(shù)觀察，這是一個(gè)低效和繁瑣的過程。在目前的研究中，作物的RGB圖像是十分容易被采集的，因此可以基于RGB圖像利用機(jī)器學(xué)習(xí)方法以取代人工計(jì)數(shù)。然而，這些研究主要集中在有限的測(cè)試條件下的檢測(cè)本身，并沒有提供使用基于深度學(xué)習(xí)的計(jì)數(shù)的通用協(xié)議。本研究所研發(fā)的系統(tǒng)提供了從數(shù)據(jù)收集和模型訓(xùn)練到商業(yè)領(lǐng)域的模型驗(yàn)證和模型部署的基礎(chǔ)，準(zhǔn)確的模型訓(xùn)練是研發(fā)生產(chǎn)系統(tǒng)的基礎(chǔ)。然而，在自然環(huán)境中，部署數(shù)據(jù)集經(jīng)常不同于訓(xùn)練數(shù)據(jù)從而導(dǎo)致模型失敗，因此一個(gè)豐富的模型對(duì)于建立一個(gè)可靠的解決方案至關(guān)重要。
 

2023年1月，Plant Phenomics在線發(fā)表了The University of Queensland題為From Prototype to Inference: A Pipeline to Apply Deep Learning in Sorghum Panicle Detection 的研究論文。
 

本文提供了一個(gè)全面的系統(tǒng)，從數(shù)據(jù)收集到模型部署，基于深度學(xué)習(xí)輔助進(jìn)行高粱穗產(chǎn)量估計(jì)。研究主要圍繞兩個(gè)實(shí)驗(yàn)進(jìn)行，第一個(gè)實(shí)驗(yàn)中，收集了一個(gè)在抽穗早期帶有高粱植株的田間數(shù)據(jù)集，主要集中于地面圖像數(shù)據(jù)集，并使用半自動(dòng)標(biāo)記和手動(dòng)標(biāo)記的組合來標(biāo)注數(shù)據(jù)集，同時(shí)調(diào)整我們的地面圖像數(shù)據(jù)集來訓(xùn)練一個(gè)模型來檢測(cè)無人機(jī)圖像的中的穗數(shù)。通過在地面圖像上訓(xùn)練和驗(yàn)證模型，并在一個(gè)僅由無人機(jī)圖像組成的單獨(dú)測(cè)試上評(píng)估模型，以觀察模型的泛化能力。
 

圖1源數(shù)據(jù)準(zhǔn)備和模型培訓(xùn)/評(píng)估的概述

在第二個(gè)實(shí)驗(yàn)中，我們提供了一個(gè)生產(chǎn)線，描述了在另一個(gè)高粱田地部署基于深度學(xué)習(xí)的檢測(cè)模型。對(duì)該系統(tǒng)的概述如下：(a)考慮并比較了多重深度學(xué)習(xí)方法。如果只需要準(zhǔn)確的穗數(shù)計(jì)數(shù)，回歸模型可以提供比探測(cè)器更準(zhǔn)確的結(jié)果。然而，如果現(xiàn)場(chǎng)需要進(jìn)行更詳細(xì)的分析，探測(cè)器模型是必要的。(b)提出了一個(gè)行檢測(cè)的RANSAC模型，該模型使用穗數(shù)檢測(cè)結(jié)果來識(shí)別種植行，以分析行之間的間隙和穗密度的變化。(c)穗密度/平方米的頭部計(jì)數(shù)在每張圖像的基礎(chǔ)上和跨領(lǐng)域可視化。
 

圖2 基于圖像的穗密度可視化。(A)穗檢測(cè)和行檢測(cè)。在最近的一行上的(B)點(diǎn)回歸。(C)每一行的一維移動(dòng)和頭計(jì)數(shù)和高斯平滑處理。(D) 3D顯示每行磁頭密度。(E)橫跨整個(gè)圖像的穗密度

本研究在高粱田地展示了自主研發(fā)的系統(tǒng)，并且該系統(tǒng)可以推廣到其他作物品種。本研究所研發(fā)的系統(tǒng)提供了一個(gè)高分辨率的穗密度圖，可以不借助其他商業(yè)軟件的前提下用于診斷作物在一個(gè)區(qū)域內(nèi)的農(nóng)藝變異性。
 

論文鏈接：

https://spj.science.org/doi/10.34133/plantphenomics.0017

——推薦閱讀——

Development and Validation of a Deep Learning Based Automated Minirhizotron Image Analysis Pipeline

https://doi.org/10.34133/2022/9758‍532

Plant Phenomics | 基于深度學(xué)習(xí)的微根管圖像自動(dòng)化分析方法

A Deep Learning-Based Phenotypic Analysis of Rice Root Distribution from Field Images

https://doi.org/10.34133/2020/3194308

Plant Phenomics | 基于深度學(xué)習(xí)的水稻根系分布表型研究

加入作者交流群

掃碼添加小編微信，拉您進(jìn)入《植物表型組學(xué)》作者交流群，群內(nèi)不定期開展作者分享會(huì)、�？�發(fā)布會(huì)等高質(zhì)量活動(dòng)。

添加小編微信，備注姓名+單位+PP，加入作者交流群

About Plant Phenomics

《植物表型組學(xué)》（Plant Phenomics）是由南京農(nóng)業(yè)大學(xué)和美國科學(xué)促進(jìn)會(huì)（AAAS）合作創(chuàng)辦的英文學(xué)術(shù)期刊，于2019年1月正式上線發(fā)行。采用開放獲取形式，刊載植物表型組學(xué)交叉學(xué)科熱點(diǎn)領(lǐng)域具有突破性科研進(jìn)展的原創(chuàng)性研究論文、綜述、數(shù)據(jù)集和觀點(diǎn)。具體范圍涵蓋高通量表型分析的最新技術(shù)，基于圖像分析和機(jī)器學(xué)習(xí)的表型分析研究，提取表型信息的新算法，作物栽培、植物育種和農(nóng)業(yè)實(shí)踐中的表型組學(xué)新應(yīng)用，與植物表型相結(jié)合的分子生物學(xué)、植物生理學(xué)、統(tǒng)計(jì)學(xué)、作物模型和其他組學(xué)研究，表型組學(xué)相關(guān)的植物生物學(xué)等。期刊已被DOAJ、Scopus、PMC、EI和SCIE等數(shù)據(jù)庫收錄�？祁Ｎò睯CR2021影響因子為6.961，位于農(nóng)藝學(xué)、植物科學(xué)，遙感一區(qū)。中科院農(nóng)藝學(xué)、植物科學(xué)一區(qū)，遙感二區(qū)，生物大類一區(qū)（TOP期刊）。2020年入選中國科技期刊卓越行動(dòng)計(jì)劃高起點(diǎn)新刊項(xiàng)目。

說明：本文由《植物表型組學(xué)》編輯部負(fù)責(zé)組稿。

中文內(nèi)容僅供參考，一切內(nèi)容以英文原版為準(zhǔn)。

撰稿：吳庚宸（南京農(nóng)業(yè)大學(xué)）

排版：薛楚凡（南京農(nóng)業(yè)大學(xué)）

審核：孔敏、王平