基于卷积神经网络的高通量图像作物出苗计数估计
计算机视觉与模式识别
2020-10-26 v1 机器学习
定量方法
摘要
由于社会的复杂需求,现代农耕与植物育种的未来格局正在迅速变化。可收集数据的爆发已在农业领域引发一场革命,以至于创新势在必行。对商业机构而言,准确高效地收集信息对于确保在育种周期关键点做出最优决策十分必要。然而,由于育种项目规模庞大且当前资源有限,无法对单株植物收集精确数据。特别是,由于劳动力需求且往往需专家领域知识,对作物颜色、形状、化学性质、病害敏感性等进行高效表型记录受到严重限制。本文提出一种基于深度学习的方法DeepStand,用于基于图像的玉米早期物候阶段出苗计数。所提方法采用截断VGG-16网络作为主干特征提取器,并融合多尺度特征图以使网络对尺度变化具有鲁棒性。我们大量的计算实验表明,所提方法能成功计数玉米出苗并优于其他最先进(state-of-the-art)方法。我们的工作目标是由更广泛的农业界采用,以在无大量时间与劳动力需求的情况下实现高通量表型分析。
引用
@article{arxiv.2010.12552,
title = {High-Throughput Image-Based Plant Stand Count Estimation Using Convolutional Neural Networks},
author = {Saeed Khaki and Hieu Pham and Ye Han and Wade Kent and Lizhi Wang},
journal= {arXiv preprint arXiv:2010.12552},
year = {2020}
}
备注
15 pages, 3 figures, 3 tables