利用深度学习实现玉米和高粱叶片计数自动化

来源: 时间:2021-10-10 16:20:07 浏览次数:

基于卷积神经网络(CNNs)的回归计数方法展现出较低的精度和鲁棒性。基于Faster R-CNNs(区域卷积神经网络)目标检测模型的检测计数方法,在所有叶尖都可见的植物中实现了接近人工计数的性能。作为本研究的一部分,生成的带注释的图像数据和模型性能指标为比较和改进谷物作物图像数据的叶片计数算法提供了大量数据资源。

叶片数量和叶片出苗率是植物育种家、植物遗传学家和作物模型学家感兴趣的表型。即使对一个没有经过专业训练的普通人员,计算一株植物现有的叶子数量也是很简单的,但手动跟踪数百个个体在多个时间点上的叶子数量变化却是十分具有挑战性的。


图片

追踪植物叶片数量的挑战。在发育早期产生的叶子会在植物的整个生命周期中衰老和死亡,且在成熟时无法检测到。 (a)种植后32天的玉米植株(有8片可见叶片)。(b) 种植后34天时的同一株玉米。上面的三片叶子都明显变长了,而底部的叶子(红色椭圆形)已经衰老,不再可见,因此这棵玉米现只有七片叶子可见。(c)一张俯视的全叶拟南芥植株的莲座状叶子结构图。(d) a和b图中同一玉米植株的俯视照片。d图中的叶片闭塞比c图更为严重。


该文章的研究为叶片计数项目整理了一个庞大的数据集,其中包括超过15万张玉米和高粱的RGB图像。17783张图片的标注中还包括单个叶尖位置的标注。利用这些标注的图像,我们评估了两种基于深度学习的自动叶片计数方法:第一种是基于整张图片分析的回归计数,第二种基于深度学习检测的计数方法。两种方法的均方根误差(RMSE)都小于1,仅略低于人工技术的0.57-0.73。


图片

叶计数的人为标注错误:(a)同一幅图像不同观察者独立标注的叶数标注之间的一致性。深蓝色的点表示从大量不同的图像中观察到的,而浅蓝色的点表示从少量不同的图像中观察到的。左上角显示了被测图像总数、相关系数的平方(r2)、均方误差的根(RMSE)和一致性。最佳线性回归线用红色表示,拟合方程在右下角给出。(b)两名观察员对识别玉米植株新生的新叶子意见不一致的图像(红色箭头)。一个观察者选择的叶尖位置用红色的圆圈表示,另一个观察者用蓝色的正方形表示。(c)两名观察员对衰老和可能受损的叶子的注释意见不一致的图片(红色箭头)。(d)图像的一个例子,其中一个观察者识别出第二个观察者遗漏的部分遮挡或重叠的叶子(红色箭头)。(e)一株玉米的叶序转移到上部叶片,使从任何一侧观察角度都难以标注的例子。图b- e的原始图像被裁剪,以便于查看。图中视野之外所做的标注不会显示出来。

基于卷积神经网络(CNNs)的回归计数方法展现出较低的精度和鲁棒性。基于Faster R-CNNs(区域卷积神经网络)目标检测模型的检测计数方法,在所有叶尖都可见的植物中实现了接近人工计数的性能。作为本研究的一部分,生成的带注释的图像数据和模型性能指标为比较和改进谷物作物图像数据的叶片计数算法提供了大量数据资源。


来源:Wiley Online Library.Automation of leaf counting in maize and sorghum using deep learning.Chenyong Miao, Alice Guo, Addie M. Thompson, Jinliang Yang, Yufeng Ge, James C. Schnable

https://acsess.onlinelibrary.wiley.com/doi/10.1002/ppj2.20022