欢迎您来到博普特科技官方网站!

土壤仪器电话

010-82794912

国内最优质的服务

专业品质 值得信赖

品质至上,客户至上,您的满意就是我们的目标

技术文章

当前位置:  首页 > 技术文章

Plant Phenomics | Easy MPE:基于无人机高通量表型技术提取高质量田间小区图像

发表时间:2019-12-04 17:45:22点击:435

来源:植物表型组学

分享:

1575507467713535.png

1575507485921295.png

2019年11月,Plant Phenomics刊发了来自东京大学田间表型实验室Léa Tresch等人撰写的题为Easy MPE: Extraction of Quality Microplot Images for UAV-Based High-Throughput Field Phenotyping的研究论文,作者开发了一种直观,易于使用的半自动程序(Easy MPE),能够在可变的田间条件下获取全田无人机图像中的小区数据。东京大学郭威为该文的通讯作者。

提取小区(PE)图像是基于无人机(UAV)的育种研究中必不可少的图像处理步骤。目前主要通过手动操作ArcGIS,QGIS或者其他基于GIS的软件进行提取,但是要达到预期的精度是非常耗时的。因此,本研究开发了一种直观,易于使用的半自动程序,用于提取小区并命名为Easy MPE,使研究人员和其他人员能够在可变的田间条件下获取全田无人机图像中的小区数据。该程序有四个主要步骤:(1)二值分割,(2)小区提取,(3)生成*.shp类型文件以实现进一步的文件操作,以及(4)将由正射影像图生成的单个小区投影到原始航拍图像上,以保证图像质量。本研究中所有试验田的作物行均被该程序成功识别。通过计算人工和Easy MPE所确定小区的IOU(交并比)来评价本研究所提出方法的性能:所有试验的平均IOU(±SD)为91%(±3)。

1575507501781770.png

Fig1:The bioristor setup. The device was inserted into the stem of each tomato plant and connected to a readout system and a computer.

1575507518928155.png

Fig2:Visual representation of the intersection (yellow area in (a)) and union (yellow area in (b)) areas of manually (blue) and program-determined (green) areas.

通过Easy MPE获得的小区与人工获得的结果相似。然而,人工识别仅意味着精度可控且被判断为可接受的程度。因此,IOU与“绝对精度”之间的关系取决于参考小区被定义的精度。研究结果证明,该程序获得的小区与人工识别的小区在准确性方面类似,但直接比较两种方法获得的结果表明,由程序获得的小区比手动确定的更精确,更规则。

此外,Easy MPE对初始图像设置了一些条件。初始图像中的农田必须相当均匀,作物行之间不应互相接触或应接触不多。在本研究中,大豆田和甜菜田都满足了这些条件,但是也有必要对其他类型的农田进行试验。为了获得可用的图像,可能需要连续的田间观测(包括多次无人机飞行)。通过手动或自动去除杂草像素进行图像预处理,这有助于Easy MPE获得良好的结果,但这不是强制性的。

程序中唯一手动输入的内容是用户在一开始确定的小区边界。重要的是,ROI(感兴趣区域)中不得包含除农田之外的任何分割对象。通过使用来自播种机的GPS坐标或已裁剪的正射影像图像,有可能自动执行此步骤,但是这两种方法都会减少用户将程序应用到比整块农田更小的区域上的自由度。

总之,推荐使用Easy MPE,因为它具有用户友好性和简明性;但是,还有许多地方需要测试和核准,这就留下了改进的空间。小区以一种无偏性的方式划分,即,没有人为的影响。Easy MPE是为植物表型分析领域设计的一套开源程序中的一部分,包括一个分割步骤(如果需要),并首次提供了自动化反向计算功能。

How to Cite this Article

Léa Tresch, Yue Mu, Atsushi Itoh,et al., “Easy MPE: Extraction of Quality Microplot Images for UAV-Based High-Throughput Field Phenotyping,” Plant Phenomics, vol. 2019, Article ID 2591849, 9 pages, 2019. https://doi.org/10.34133/2019/2591849.

123567.png

专刊征稿:智慧农业系统的图像分析与机器学习


相关阅读

A weakly Supervised Deep Learning Framework for Sorghum Head Detection and Counting

阅读原文介绍请点击:

Plant Phenomics | 一种用于高粱头状花序检测和计数的弱监督深度学习框架

High-Throughput UAV Image-Based Method Is More Precise Than Manual Rating of Herbicide Tolerance

阅读原文介绍请点击:

Plant Phenomics | 基于无人机图像的高通量除草剂耐受性评价方法更精准

About Plant Phenomics

《植物表型组学》(Plant Phenomics)是由南京农业大学和美国科学促进会(AAAS)合作创办的英文学术期刊,于2019年1月正式上线发行,是Science合作出版的第二本期刊。采用开放获取形式,刊载植物表型组学交叉学科热点领域具有突破性科研进展的原创性研究论文、综述、数据集和观点。具体范围涵盖高通量表型分析的最新技术,基于图像分析和机器学习的表型分析研究,提取表型信息的新算法,作物栽培、植物育种和农业实践中的表型组学新应用,与植物表型相结合的分子生物学、植物生理学、统计学、作物模型和其他组学研究,表型组学相关的植物生物学等。2019年8月,已正式被DOAJ数据库收录。

翻译:孙港

编辑:徐霏 (实习)

审核:孔敏、尹欢

12345678.png

  • 土壤仪器品牌德国steps
  • 土壤仪器品牌奥地利PESSL
  • 土壤仪器品牌荷兰MACView
  • 土壤仪器品牌德国INNO_Concept
  • 土壤仪器品牌比利时WIWAM
  • 土壤仪器品牌德国HACH LANGE
  • 土壤仪器品牌德国Emclab
  • 土壤仪器品牌美国Biospec
  • 土壤仪器品牌德国GEFOMA
  • 土壤仪器品牌加拿大Torontech
  • 土壤仪器品牌奥地利schaller
  • 土壤仪器品牌荷兰PhenoVation
  • 土壤仪器品牌法国Hi-phen系统
  • 土壤仪器品牌美国Bemis(ALCAN)
  • 土壤仪器品牌美国3M(CUNO)
  • 土壤仪器品牌布鲁克
  • 土壤仪器品牌北京博普特
  • 土壤仪器品牌Videometer
  • 土壤仪器品牌比利时INDUCT(OCTINION)
  • 土壤仪器品牌美国EGC
  • 土壤仪器品牌德国multirotor
  • 土壤仪器品牌博普特老网站