欢迎您来到博普特科技官方网站!

土壤仪器电话

010-82794912

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 | 浙江大学黄敬峰教授课题组提出了一种基于地面遥感延时图像的咖啡花识别方法

发表时间:2020-10-15 09:21:06点击:48

来源:植物表型组学

分享:

1602724548771872.png

blob.png

咖啡是全球三大主要饮料之一,具有重要的经济价值。咖啡花的早期监测在开花调节,灌溉,产量预测和其他作物管理任务中至关重要。因此,准确识别咖啡花是更好地管理这些任务的关键。然而,常用的遥感平台由于其较低的时空分辨率并不能实现对咖啡花这一类小目标作物的精准监测。

2020年10月,Plant Phenomics刊发了浙江大学遥感与信息技术应用研究所题为Coffee Flower Identification Using Binarization Algorithm Based on Convolutional Neural Network for Digital Images的研究论文,本文介绍了一种基于地面遥感延时图像的咖啡花识别方法。为了实现种植园区中咖啡花的精准监测,本文采用基于地面遥感的高时空分辨率延时图像,并将二值化算法和卷积神经网络相结合,进而提取出图像中所包含的咖啡花信息。

blob.png

Figure1: The five flowering events. (a–e) represent the images acquired on March 7th,March 25th, April 11th, April 27th, and May 25th,2017, respectively.

blob.png

Figure2: Binarization processing.(a) Original image. (b) Results of the binarization.

基于不同拍摄俯角以及不同光照条件下的图像,将所提方法(Bin+CNN)和CNN以及基于超像素的SVM分类器进行对比分析,实验结果表明Bin+CNN具有更好的咖啡花识别性能。基于Bin+CNN方法,在柔光条件下,拍摄俯角为52.5°图像的咖啡花识别精度最高,对应的F1和IoU分别可以达到0.80和0.67。

blob.png 

Figure 3: Theidentification result of the image with depression angles of 52.5° under softlighting conditions using Bin+CNN model. (a)~(c) are the original images,ground truth maps, and the identification results of the Bin+CNN, respectively.

浙江大学遥感与信息技术应用研究所尉鹏亮博士生为第一作者,浙江大学遥感与信息技术应用研究所黄敬峰教授为通讯作者。该研究得到国家自然科学基金资助(41471277),使用的数据来自于江苏省无线电科学研究所有限公司。

论文链接

https://spj.sciencemag.org/journals/plantphenomics/2020/6323965/

——推荐阅读——

Evaluating and Mapping Grape Color Using Image-Based Phenotyping

https://spj.sciencemag.org/journals/plantphenomics/2020/8086309/

Plant Phenomics | 使用基于图像的表型分析法评估和映射葡萄颜色 

Convolutional Neural Networks for Image-Based High-Throughput Plant Phenotyping: A Review

https://spj.sciencemag.org/journals/plantphenomics/2020/4152816/

Plant Phenomics 综述 | 卷积神经网络用于基于图像的高通量植物表型综述

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。期刊已被CABI、CNKI和DOAJ数据库收录。

说明:本文由《植物表型组学》编辑部负责组稿。中文内容仅供参考,一切内容以英文原版为准。

编辑:周灿彧(实习)、孔敏

审核:尹欢

blob.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