Модель глубокого обучения улучшает детекцию фенотипов кукурузы
Исследовательская группа разработала метод глубокого обучения Point-Line Net на базе фреймворка Mask R-CNN для автоматического распознавания изображений кукурузных полей и определения количества и траектории роста листьев и стеблей. Модель достигла точности детекции объектов (mAP50) в 81.5% и представила новую облегчённую ветвь для детекции ключевых точек. Этот инновационный метод повысит эффективность селекции растений и фенотипирования в сложных полевых условиях.
Точное определение фенотипов кукурузы (высота растения, количество и длина листьев) критически важно для повышения урожайности и прецизионной селекции. Однако сложный фон и факторы окружающей среды затрудняют детекцию в полевых условиях.
Исследование, опубликованное в Plant Phenomics 29 мая 2024 года, предлагает модель Point-Line Net для решения этой задачи.
Сравнение моделей и разработка Point-Line Net:
- Сначала были оценены три популярные модели: Faster R-CNN, RetinaNet и YOLOv3.
- Faster R-CNN с ResNet101 + FPN показала наилучшую производительность: mAP50 = 76.2%, mAP75 = 39.9% (время детекции — 89.6 мс).
- После тонкой настройки гиперпараметров и внедрения техник Soft-NMS и D IoU точность улучшилась до mAP50 = 75.5% и mAP75 = 49.2%.
- Вдохновившись детекцией ключевых точек человека, исследователи разработали Point-Line Net. Эта модель превзошла традиционные методы, достигнув mAP50 = 81.5% и mAP75 = 50.1%.
Результаты и значение:
- Метод также продемонстрировал более высокую точность в описании траекторий листьев и стеблей (пользовательский индекс оценки расстояния mLD = 33.5).
- Обучение модели стабилизировалось примерно на 100-й эпохе, что указывает на оптимальную производительность.
- По словам старшего исследователя Цзюэ Жуаня, результаты работы могут дать идеи для полевого управления и сбора фенотипических данных для других культур.
Вывод:
Модель Point-Line Net значительно улучшает детекцию фенотипов в полевых условиях. Исследование подчёркивает потенциал методов глубокого обучения для повышения эффективности фенотипирования растений, что открывает путь к более точному управлению посевами и прогнозированию урожайности. Интеграция дополнительных данных (например, о конкретных стадиях роста) может ещё больше повысить точность модели.