有效的大豆種子表型需要大量準確的形態(tài)參數。傳統(tǒng)的人工獲取大豆種子形態(tài)表型信息容易出錯，耗時長，不適合大規(guī)模采集。大豆種子個體分割是獲得種子長、寬等表型性狀的前提。然而，用于獲得高通量大豆種子表型的基于圖像的傳統(tǒng)方法并不可靠且不實用?；谏疃葘W習的算法雖然可以實現精確的訓練和較強的泛化能力，但需要大量的地面真實數據，這往往是算法的局限性。
在三種光照條件下拍攝了大豆種子圖像。a是白天的室外場景；b是白天有熒光燈的室內場景；c是夜間有熒光燈的室內場景
本文提出了一種新的基于區(qū)域隨機化的合成圖像生成和增強方法。利用該方法自動合成大量標記圖像數據集，訓練實例分割網絡，用于高通量大豆種子分割。它可以顯著降低人工標注的成本，方便訓練數據集的準備。卷積神經網絡完全可以通過我們的合成圖像數據集來訓練，以獲得良好的性能。在訓練Mask R-CNN的過程中，本文作者提出了一種轉移學習方法，通過微調預先訓練好的模型權值，可以顯著降低計算量。通過對不同分辨率的合成測試數據集和真實大豆種子測試數據集的分析，驗證了該方法的可靠性和泛化能力。
實驗結果表明，該方法實現了大豆種子個體的有效分割和種子形態(tài)參數的有效計算，可用于高通量對象實例分割和高通量種子表型分析。
來源：Plant Methods.High-throughput soybean seeds phenotyping with convolutional neural networks and transfer learning.Si Yang,Lihua Zheng,Peng He,Tingting Wu,Shi Sun&Minjuan Wang
原文鏈接：https://plantmethods.biomedcentral.com/articles/10.1186/s13007-021-00749-y
鄂公網安備42018502003245號 網站地圖
