在谷类作物中，每株植物产生的新叶数量用于研究构成作物生物生命周期的周期性事件。确定叶数的传统方法涉及人工计数，这种方法速度慢、劳动强度大，并且由于所涉及的样本量小，通常具有很大的不确定性。因此，很难通过手动计数叶子来准确估计某些性状。

然而，传统方法已经随着技术得到改进。深度学习使得能够使用对象检测和分割算法来估计一个区域中植物(以及这些植物上的叶子)的数量。然而，使用这些算法存在障碍。他们计算叶尖，这些叶尖在图像中显得很小，很难检测到。因此，深度学习方法往往无法在实际现场条件下执行。

为了解决这个问题，一个跨国研究团队开发了一种基于深度学习技术的自监督叶尖计数方法，该方法可以高精度地计算出小麦叶尖数。该研究由南京农业大学刘守阳教授领导，并于 2023 年 3 月 20 日在线发表在Plant Phenomics上。

谈到他们的工作，刘教授说：“我们开发了一种高通量方法，通过检测 RGB(红-绿-蓝)图像中的叶尖来计算小麦植株的叶片数量。数字植物表型平台 (D3P)用于模拟一个大型、多样化的 RGB 图像数据集和相应的小麦植物幼苗叶尖标签。生成了超过 150,000 张图像，有超过 200 万个标签。

研究人员使用域适应——在“源”数据集上训练的神经网络应用于“测试”数据集，也称为“目标”数据集。这是通过深度学习技术实现的，该技术模仿人脑使用的神经过程，并使用受其结构和功能启发的算法。

接下来，研究人员从分布在五个国家的 11 个地点收集了 2,763 张幼年麦田的 RGB 图像。使用了多种措施来创建稳健可靠的源数据集——使用了不同类型的相机、不同的成像角度以及具有不同土壤背景/光照条件的图像。除了捕捉田间图像外，该团队还生成了模拟小麦图像，这些图像使用 D3P 自动标注。域自适应用于提高这些图像的真实感，然后用于训练深度学习模型。

本研究使用了六种深度学习模型和领域适应技术的组合;采用 CycleGAN 自适应技术的 Faster-RCNN 模型表现出最佳性能。这从其高决定系数 (R 2 = 0.94)(一种确定模型拟合优度的度量)和最佳均方根误差 (RMSE = 8.7)(一种衡量模型误差的标准方法)中可以明显看出在预测定量数据时。

此外，在评估叶计数模型性能的三个因素中，发现光照条件最为重要。另一方面，叶子纹理和土壤亮度被发现对性能不太重要，但发现所有三个因素的组合显着提高了图像的真实感。结果还表明，需要高于每像素 0.6 毫米的空间分辨率才能确保准确识别叶尖。

刘教授在解释他们研究的意义时说：“由此提出的深度学习方法看起来非常有吸引力，因为它通过模拟自动生成标签的图像，消除了繁琐、昂贵且有时不准确的手动标签任务。这些图像是使用域适应技术也变得更加逼真。”

研究团队已在此处提供经过训练的网络，以促进该领域的进一步研究。

版权说明：本站所有作品图文均由用户自行上传分享，仅供网友学习交流。若您的权利被侵害，请联系我们

标签：方法图像深度