用于甘薯田间等级评估的实例分割算法部署与分析
图像与视频处理
2023-08-17 v1
摘要
由于甘薯（SP）贮藏根的尺寸和形状特征多变，其形状评估 inherently 具有挑战性。即便测量长度和宽度等“简单”指标，也需投入大量时间，无论是在田间直接测量还是随后使用自动分级机。本文中，我们展示了一个模型的结果，该模型能比人工测量更快速地在田间进行分级并提供产量估计。我们使用包含深度学习目标检测算法的库 Detectron2 实现了实例分割模型 Mask R-CNN。该模型被部署用于 SP 的田间等级评估，并与光学分选机进行对比评价。2019 至 2020 年间试验中使用手机拍摄的来自不同克隆的贮藏根，用于模型的训练与验证，以微调检测 SP 的模型。结果表明，该模型能在包括光照和土壤特征变化在内的多种环境条件下区分单个 SP。模型相对于商业光学分选机的长度、宽度和重量的 RMSE 分别为 0.66 cm、1.22 cm 和 74.73 g，而每小区根数的 RMSE 为 5.27 根，r^2 = 0.8。该表型策略有望在田间实现快速产量估计，而无需复杂昂贵的 optical sorters（光学分选机），并可更易于部署在获取此类资源或设施有限的环境中。
关键词
引用
@article{arxiv.2308.08534,
title = {Deployment and Analysis of Instance Segmentation Algorithm for In-field Grade Estimation of Sweetpotatoes},
author = {Hoang M. Nguyen and Sydney Gyurek and Russell Mierop and Kenneth V. Pecota and Kylie LaGamba and Michael Boyette and G. Craig Yencho and Cranos M. Williams and Michael W. Kudenov},
journal= {arXiv preprint arXiv:2308.08534},
year = {2023}
}
备注
21 pages, 11 figures