有效的大豆種子表型需要大量準(zhǔn)確的形態(tài)參數(shù)。傳統(tǒng)的人工獲取大豆種子形態(tài)表型信息容易出錯(cuò)，耗時(shí)長(zhǎng)，不適合大規(guī)模采集。大豆種子個(gè)體分割是獲得種子長(zhǎng)、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(shí)用。基于深度學(xué)習(xí)的算法雖然可以實(shí)現(xiàn)精確的訓(xùn)練和較強(qiáng)的泛化能力，但需要大量的地面真實(shí)數(shù)據(jù)，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(chǎng)景；b是白天有熒光燈的室內(nèi)場(chǎng)景；c是夜間有熒光燈的室內(nèi)場(chǎng)景
本文提出了一種新的基于區(qū)域隨機(jī)化的合成圖像生成和增強(qiáng)方法。利用該方法自動(dòng)合成大量標(biāo)記圖像數(shù)據(jù)集，訓(xùn)練實(shí)例分割網(wǎng)絡(luò)，用于高通量大豆種子分割。它可以顯著降低人工標(biāo)注的成本，方便訓(xùn)練數(shù)據(jù)集的準(zhǔn)備。卷積神經(jīng)網(wǎng)絡(luò)完全可以通過我們的合成圖像數(shù)據(jù)集來訓(xùn)練，以獲得良好的性能。在訓(xùn)練Mask R-CNN的過程中，本文作者提出了一種轉(zhuǎn)移學(xué)習(xí)方法，通過微調(diào)預(yù)先訓(xùn)練好的模型權(quán)值，可以顯著降低計(jì)算量。通過對(duì)不同分辨率的合成測(cè)試數(shù)據(jù)集和真實(shí)大豆種子測(cè)試數(shù)據(jù)集的分析，驗(yàn)證了該方法的可靠性和泛化能力。
實(shí)驗(yàn)結(jié)果表明，該方法實(shí)現(xiàn)了大豆種子個(gè)體的有效分割和種子形態(tài)參數(shù)的有效計(jì)算，可用于高通量對(duì)象實(shí)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(wǎng)安備42018502003245號(hào) 網(wǎng)站地圖
