基于 Mask R-CNN 与 LETR Vision Transformer 的叶片角度估计
计算机视觉与模式识别
2024-08-02 v1 人工智能
机器学习
摘要
现代研究表明，高产作物品种与叶片直立角度之间存在高度相关性。观察到具有直立叶片角度的植物比不具有直立叶片角度的植物拦截更多光，从而具有更高的光合作用速率。植物科学家和育种家受益于能够直接在田间（即田间表型分析）测量植物参数的工具。田间条件下通过人工手段估计叶片角度是繁琐且费力的。我们利用 Mask R-CNN 实例分割神经网络与 Line Segment Transformer（LETR，一种视觉Transformer）的组合来减轻这种繁琐性。提出的计算机视觉（CV）流程应用于两个图像数据集：Summer 2015-Ames ULA 和 Summer 2015-Ames MLA，共计 1,827 张植物图像，使用 FieldBook（一款面向田间表型分析的 Android 应用程序）在田间采集。提出的流程在图像数据集上估计的叶片角度与两种独立的人工测量结果进行了比较，使用的是美国国立卫生研究院与光学与计算仪器实验室开发的基于 Java 的图像处理程序 ImageJ。使用余弦相似度衡量相似性的结果，在 Summer 2015-Ames ULA 和 Summer 2015-Ames MLA 两个图像数据集的两种独立测量上均表现出 0.98 的相似度，证明了所提出的流程用于田间叶片角度测量的可行性。
引用
@article{arxiv.2408.00749,
title = {Leaf Angle Estimation using Mask R-CNN and LETR Vision Transformer},
author = {Venkat Margapuri and Prapti Thapaliya and Trevor Rife},
journal= {arXiv preprint arXiv:2408.00749},
year = {2024}
}