DeepCorn:一种用于高通量基于图像的玉米籽粒计数与产量估计的半监督深度学习方法
计算机视觉与模式识别
2021-02-26 v2 机器学习
图像与视频处理
摘要
现代农业与植物育种的成依赖于准确高效的数据收集。对于管理大量作物的商业机构,收集准确一致的数据是一大瓶颈。受限于时间与人力,对作物进行准确表型记录(颜色、穗数、株高、重量等)受到严重制约。然而,这些信息结合其他遗传与环境因素,对于培育可养活世界不断增长人口的新优良作物物种至关重要。机器学习尤其是深度学习的最新进展,在缓解该瓶颈方面展现出前景。本文提出一种新颖的深度学习方法,用于田间穗上玉米籽粒计数,以辅助实时数据收集,并最终改进决策以最大化产量。我们将其命名为DeepCorn,并表明该框架在各种条件下具有鲁棒性。DeepCorn估计玉米穗图像中籽粒的密度,并基于估计的密度图预测籽粒数。DeepCorn采用截断的VGG-16作为特征提取骨干,并融合网络多尺度的特征图以使其对图像尺度变化具有鲁棒性。我们还采用半监督学习方法进一步提升所提方法的性能。所提方法在玉米籽粒计数任务中分别取得41.36与60.27的MAE和RMSE。实验结果表明,相较于其他SOTA方法,我们所提方法具有优越性与有效性。
引用
@article{arxiv.2007.10521,
title = {DeepCorn: A Semi-Supervised Deep Learning Method for High-Throughput Image-Based Corn Kernel Counting and Yield Estimation},
author = {Saeed Khaki and Hieu Pham and Ye Han and Andy Kuhl and Wade Kent and Lizhi Wang},
journal= {arXiv preprint arXiv:2007.10521},
year = {2021}
}
备注
27 pages, 7 figures