航空高光谱影像与深度神经网络用于小麦高通量产量表型分析
图像与视频处理
2019-06-25 v1 计算机视觉与模式识别
摘要
作物生产需要以可持续方式增长以满足全球不断增长的粮食需求。为鉴定具有高产量潜力的作物品种，植物科学家与育种家在多年、多地评估数百个品系的表现。为便利优良品种筛选过程，本研究开发了一个自动化框架。将高光谱相机搭载于无人机上以采集具有高空间与光谱分辨率的航空影像。在两个连续生长季中，从由数百个实验小区（1x2.4 米）组成的三个实验产量田捕获航空图像，每个小区含单一小麦品系。逾千个小麦小区的籽粒由联合收割机收获、称重并记为地面真值数据。为利用高空间分辨率并探究小区内产量变异，通过结合图像处理技术与光谱混合分析及专家领域知识，将小区图像划分为子小区。随后，使用分层采样将子小区数据集划分为训练、验证与测试集。在从各子小区提取特征后，训练深度神经网络用于产量估计。在子小区尺度上预测测试数据集产量的决定系数为 0.79，均方根误差为 5.90 克。除提供子小区尺度产量变异的洞察外，所提框架可作为一种有价值的决策支持工具，促进高通量产量表型分析过程。它提供了以下可能：（i）小区的远程视觉检视，（ii）研究作物密度对产量的影响，以及（iii）优化小区大小以每年在专用田中考察更多品系。
引用
@article{arxiv.1906.09666,
title = {Aerial hyperspectral imagery and deep neural networks for high-throughput yield phenotyping in wheat},
author = {Ali Moghimi and Ce Yang and James A. Anderson},
journal= {arXiv preprint arXiv:1906.09666},
year = {2019}
}