Moviéndose hacia la automatización: un método robusto de imagen de oclusión sintética para la extracción del fenotipo del sombrero de hongo de alto rendimiento
Autores: Wei, Quan; Wang, Yinglong; Yang, Shenglan; Guo, Chaohui; Wu, Lisi; Yin, Hua
Idioma: Inglés
Editor: MDPI
Año: 2024
Acceso abierto
Artículo científico
2024
Moviéndose hacia la automatización: un método robusto de imagen de oclusión sintética para la extracción del fenotipo del sombrero de hongo de alto rendimiento
Categoría
Ciencias Agrícolas y Biológicas
Subcategoría
Agronomía y Ciencia de los Cultivos
Palabras clave
Tapa de champiñón
Parámetros fenotípicos
Métodos de aprendizaje profundo
Método de imagen de oclusión
Segmentación de instancias amodales
Método de estimación de tamaño
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 21
Citaciones: Sin citaciones
El sombrero de champiñón es un rasgo clave en el proceso de crecimiento y sus parámetros fenotípicos son esenciales para el cultivo automático y la cría inteligente. Sin embargo, los champiñones comestibles suelen crecer densamente con oclusión mutua, lo que dificulta obtener los parámetros fenotípicos de forma no destructiva. Aunque los métodos de aprendizaje profundo logran un rendimiento impresionante con capacidades de generalización superiores, requieren una gran cantidad de etiquetas de verdad de suelo del objetivo ocluido, lo cual es una tarea desafiante debido a la carga de trabajo sustancial. Para superar este obstáculo, se propuso un novedoso método de imagen de oclusión de sombrero sintético para generar rápidamente conjuntos de datos de oclusión de champiñón comestible utilizando imágenes en bruto, en las cuales la verdad de suelo se obtiene del mundo real y la oclusión se genera aleatoriamente para simular escenas reales. Además, se entrenaron y evaluaron variantes de modelos de segmentación de instancias amodal con diferentes backbones en nuestros conjuntos de datos de imágenes de oclusión sintética. Finalmente, se presentó un método de estimación de tamaño basado en máscaras amodales para calcular el ancho y la longitud del sombrero. Los resultados experimentales mostraron que la segmentación de instancias amodal logró un AP del 82%, 93% y 96% en conjuntos de datos de oclusión sintética, respectivamente, con un tamaño de 1024 x 1024 px, lo que indica que nuestro método de síntesis de imagen de oclusión puede simular de manera efectiva la situación real de oclusión del sombrero. El método de estimación de tamaño logró un de 0.95 y 0.98 entre los sombreros amodales predictivos y los sombreros etiquetados manualmente para la longitud y el ancho del sombrero, respectivamente, lo que se puede aplicar para obtener los parámetros fenotípicos de cada sombrero de manera efectiva y precisa. Estos métodos no solo satisfacen la demanda de monitoreo automático de la morfología de champiñones comestibles en fábricas, sino que también brindan soporte técnico para la cría inteligente.
Descripción
El sombrero de champiñón es un rasgo clave en el proceso de crecimiento y sus parámetros fenotípicos son esenciales para el cultivo automático y la cría inteligente. Sin embargo, los champiñones comestibles suelen crecer densamente con oclusión mutua, lo que dificulta obtener los parámetros fenotípicos de forma no destructiva. Aunque los métodos de aprendizaje profundo logran un rendimiento impresionante con capacidades de generalización superiores, requieren una gran cantidad de etiquetas de verdad de suelo del objetivo ocluido, lo cual es una tarea desafiante debido a la carga de trabajo sustancial. Para superar este obstáculo, se propuso un novedoso método de imagen de oclusión de sombrero sintético para generar rápidamente conjuntos de datos de oclusión de champiñón comestible utilizando imágenes en bruto, en las cuales la verdad de suelo se obtiene del mundo real y la oclusión se genera aleatoriamente para simular escenas reales. Además, se entrenaron y evaluaron variantes de modelos de segmentación de instancias amodal con diferentes backbones en nuestros conjuntos de datos de imágenes de oclusión sintética. Finalmente, se presentó un método de estimación de tamaño basado en máscaras amodales para calcular el ancho y la longitud del sombrero. Los resultados experimentales mostraron que la segmentación de instancias amodal logró un AP del 82%, 93% y 96% en conjuntos de datos de oclusión sintética, respectivamente, con un tamaño de 1024 x 1024 px, lo que indica que nuestro método de síntesis de imagen de oclusión puede simular de manera efectiva la situación real de oclusión del sombrero. El método de estimación de tamaño logró un de 0.95 y 0.98 entre los sombreros amodales predictivos y los sombreros etiquetados manualmente para la longitud y el ancho del sombrero, respectivamente, lo que se puede aplicar para obtener los parámetros fenotípicos de cada sombrero de manera efectiva y precisa. Estos métodos no solo satisfacen la demanda de monitoreo automático de la morfología de champiñones comestibles en fábricas, sino que también brindan soporte técnico para la cría inteligente.