高通量表型能夠大規(guī)模有效地收集植物性狀數(shù)據(jù)。一個例子是在作物生長季節(jié)的關(guān)鍵階段使用成像系統(tǒng)。雖然生成的圖像為植物表型的統(tǒng)計分析提供了豐富的數(shù)據(jù)，但需要進(jìn)行性狀提取的圖像處理作為先決條件。目前的特征提取方法主要是基于人類標(biāo)記數(shù)據(jù)的監(jiān)督學(xué)習(xí)或人類標(biāo)記數(shù)據(jù)與非監(jiān)督數(shù)據(jù)混合的半監(jiān)督學(xué)習(xí)。不幸的是，準(zhǔn)備足夠大的訓(xùn)練數(shù)據(jù)既費時又費力。
KAT4IA圖。從左上方順時針到左下方的子圖說明了從原始RGB圖像到擬合生長曲線的算法工作流程。
作者描述了一個自監(jiān)督管道(KAT4IA)，它在溫室圖像上使用 K 均值聚類來構(gòu)建訓(xùn)練數(shù)據(jù)，用于從基于圖像的田間表型系統(tǒng)中提取和分析植物性狀。KAT4IA 管道包括以下主要步驟：自監(jiān)督訓(xùn)練集構(gòu)建、從田間種植的植物圖像中分割植物、目標(biāo)植物的自動分離、植物性狀計算以及提取性狀的函數(shù)曲線擬合。
訓(xùn)練數(shù)據(jù)（植物類）獲取示例。
圖(a)是裁剪后的溫室圖像；
圖(b)是使用K-means算法（K=3）的聚類結(jié)果。白色部分隨后用作植物類的訓(xùn)練數(shù)據(jù)。簇的數(shù)量K可以選擇為2。對于K=3，第三類給出了植物的邊緣。
圖(c)是直接應(yīng)用于現(xiàn)場圖像的 K-means 算法的結(jié)果，該算法無法分離植物像素。
為了解決田間圖像中目標(biāo)植物與噪聲背景分離的難題，提出了一種利用變換域神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)分割圖像的行切割和列切割的新方法，該方法利用從溫室圖像中識別的植物像素來訓(xùn)練田間圖像的分割模型。這種方法是有效的，不需要人工干預(yù)。實驗結(jié)果表明，KAT4IA能夠準(zhǔn)確提取植物像素并估計植物高度。
來源：Plant Phenomics.KAT4IA: K-Means Assisted Training for Image Analysis of Field-Grown Plant Phenotypes.Xingche Guo, Yumou Qiu , Dan Nettleton, Cheng-Ting Yeh, Zihao Zheng, Stefan Hey, and Patrick S. Schnable
https://spj.sciencemag.org/journals/plantphenomics/2021/9805489/
鄂公網(wǎng)安備42018502003245號 網(wǎng)站地圖
