arXiv：利用深度學習演算法提取作物表型性狀
基於深度學習演算法，研究人員從田間彩色圖像和高程圖兩個方面探討了提取植物表型性狀的問題。植物表型資訊簡介如下。
深度學習模型中的自編碼神經網路能夠實現高維數據的非線性降維，而卷積神經網路（CNN）則能夠自動的從圖像中提取空間特徵，基於此，本文從田間彩色圖像和高程圖兩個方面探討了提取植物表型性狀的問題。研究主要專註於作物生長和健康的兩大重要指標——出苗率和生物量的測量。我們採用最先進的去卷積網路進行分割和卷積架構，在最後階段利用殘差學習方法進行性狀估計。其目的是設計出像高維非線性回歸模型那樣的估計架構，這是基於深度學習的湧現計算和生物量估計的首要工作。通過對兩種不同種類的小麥進行田間試驗研究發現，這種估算結果令人滿意，出苗期平均偏差和標準偏差為1.20和1.53，生物量平均偏差和標準偏差為1.45和2.05。從現場圖像計數小麥植物的結果與從盆栽花圖片中計數葉片任務的難度旗鼓相當。我們的生物量估計結果改善了以前文獻中所有提出的方法。
手動傳輸實時地面圖像用於植物分割
樣本RGB圖像（左）與相應的DEM（右）顯示小麥植株的出苗期、冠層期到生殖期（圖像從上到下）。
CVPPP-2017數據集的縮小樣本圖像
※arXiv：田間採摘機器人對甜椒花柄檢測方法的比較研究
※大豆GWAS：從假設到希望
※NGS基因分型、高通量表型和全基因組關聯研究為園藝作物下一代育種奠定了基礎
TAG:植物表型資訊 |