利用三维卷积神经网络进行小麦赤霉病检测、小穗计数与严重度评估
计算机视觉与模式识别
2025-12-24 v1 机器学习
图像与视频处理
摘要
赤霉病（FHB）是影响全球小麦及其他小粒谷类作物最重要的病害之一。抗性品种的培育需要进行繁重的田间和温室表型鉴定工作。本工作所考虑的应用包括：小麦植株上 FHB 病害症状的自动检测、麦穗上小穗总数与感病小穗总数的自动估计，以及感病小麦 FHB 严重度的自动评估。用于生成结果的数据是三维（3D）多光谱点云（PC），即点的 3D 集合——每个点关联一次红、绿、蓝（RGB）和近红外（NIR）测量。使用多光谱 3D 扫描仪采集了 300 多株小麦植株图像，并创建了带标注的 UW-MRDC 3D 小麦数据集。该数据被用于开发用于 FHB 检测的新颖且高效的 3D 卷积神经网络（CNN）模型，其准确率达到 100%。评估了多光谱信息对性能的影响，我们的结果表明 RGB 通道优于 NIR 以及 NIR 加 RGB 通道组合。此外，创建了新的高效 3D CNN 来估计麦穗上小穗总数与感病小穗总数，我们的最佳模型分别取得了 1.13 和 1.56 的平均绝对误差（MAE）。而且，创建了用于 FHB 严重度估计的 3D CNN 模型，我们的最佳模型取得了 8.6 MAE。对视觉 FHB 严重度评估与我们的 3D CNN 预测的 FHB 严重度进行了线性回归分析，结果显示两个变量间存在显著相关性，P 值为 0.0001，R 平方为 0.94。
引用
@article{arxiv.2303.05634,
title = {Fusarium head blight detection, spikelet estimation, and severity assessment in wheat using 3D convolutional neural networks},
author = {Oumaima Hamila and Christopher J. Henry and Oscar I. Molina and Christopher P. Bidinosti and Maria Antonia Henriquez},
journal= {arXiv preprint arXiv:2303.05634},
year = {2025}
}