利用全卷积网络在未处理田间图像中高效识别、定位与量化葡萄花序
计算机视觉与模式识别
2018-07-11 v1
摘要
产量及其预测是葡萄育种与葡萄园管理中最重要的任务之一。通常，该性状在收获前通过外推法人工估算，大多费力、破坏性强且不精确。本研究开发了一种基于图像的自动化流程，用于量化葡萄藤未处理田间图像（即未使用人工背景或光照）中的花序与单花。这是一种非侵入、低成本、客观且高通量的表型分析新方案。首先，识别并定位描绘花序的图像区域。这是通过使用全卷积网络（FCN）将图像分割为“花序”与“非花序”两类来实现的。高效图像分割因此成为最具挑战的步骤，原因在于花朵几何尺寸小且分布密集（每个花序数百朵花）、前景与背景中所有植物器官颜色相似，以及仅约 5% 的图像显示花序。训练后的 FCN 在测试集上取得了 87.6% 的平均交并比（IOU）。最后，利用圆形霍夫变换从“花序”区域提取单花。基于训练 FCN 模型所得分割，花朵提取的召回率为 80.3%，精确率为 70.7%。综上，所提方法是在葡萄发育最早阶段自动预测产量潜力的一种有前景策略，适用于育种材料、遗传资源库或商业葡萄园的客观监测与评估。
引用
@article{arxiv.1807.03770,
title = {Efficient identification, localization and quantification of grapevine inflorescences in unprepared field images using Fully Convolutional Networks},
author = {Robert Rudolph and Katja Herzog and Reinhard Töpfer and Volker Steinhage},
journal= {arXiv preprint arXiv:1807.03770},
year = {2018}
}