Segmentación y cálculo de fenotipos de las cápsulas de colza basado en YOLO v8 y redes neuronales convolucionales de enmascaramiento R
Autores: Wang, Nan; Liu, Hongbo; Li, Yicheng; Zhou, Weijun; Ding, Mingquan
Idioma: Inglés
Editor: MDPI
Año: 2023
Acceso abierto
Artículo científico
2023
Segmentación y cálculo de fenotipos de las cápsulas de colza basado en YOLO v8 y redes neuronales convolucionales de enmascaramiento R
Categoría
Ciencias Agrícolas y Biológicas
Subcategoría
Botánica
Palabras clave
Significativo
Cultivo de aceite
Aprendizaje profundo
Vainas de colza
Precisión
Estimación
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 10
Citaciones: Sin citaciones
La colza es un cultivo oleaginoso significativo, y el tamaño y la longitud de sus cápsulas afectan su productividad. Sin embargo, contar manualmente el número de cápsulas de colza y medir la longitud, el ancho y el área de la cápsula lleva tiempo y esfuerzo, especialmente cuando hay cientos de recursos de colza que evaluar. Este trabajo creó dos métodos de vanguardia basados en aprendizaje profundo para identificar cápsulas de colza y atributos relacionados con las cápsulas, que luego se implementan en cultivos de colza para mejorar la precisión de la estimación del rendimiento de colza. Uno de estos métodos es YOLO v8, y el otro es el modelo de dos etapas Mask R-CNN basado en el marco Detectron2. El modelo YOLO v8n y el modelo Mask R-CNN con un backbone Resnet101 en Detectron2 logran tasas de precisión superiores al 90%. Los resultados de reconocimiento demostraron que ambos modelos funcionan bien cuando se segmentan imágenes gráficas de cápsulas de colza. A la luz de esto, desarrollamos un enfoque basado en monedas para estimar el tamaño de las cápsulas de colza y lo probamos en un conjunto de datos de prueba compuesto por nueve especies diferentes y una de L. Los coeficientes de correlación entre la medición manual y la medición de visión por computadora de longitud y ancho se calcularon utilizando métodos estadísticos. El coeficiente de regresión de longitud de ambos métodos fue 0.991, y el coeficiente de regresión de ancho fue 0.989. En conclusión, por primera vez, utilizamos técnicas de aprendizaje profundo para identificar las características de las cápsulas de colza mientras establecíamos simultáneamente un conjunto de datos para cápsulas de colza. Nuestros enfoques sugeridos fueron exitosos en segmentar y contar cápsulas de colza con precisión. Nuestro enfoque ofrece a los criadores una estrategia efectiva para analizar digitalmente los fenotipos y automatizar el proceso de identificación y selección, no solo en recursos de germoplasma de colza, sino también en plantas leguminosas, como la soja que posee cápsulas.
Descripción
La colza es un cultivo oleaginoso significativo, y el tamaño y la longitud de sus cápsulas afectan su productividad. Sin embargo, contar manualmente el número de cápsulas de colza y medir la longitud, el ancho y el área de la cápsula lleva tiempo y esfuerzo, especialmente cuando hay cientos de recursos de colza que evaluar. Este trabajo creó dos métodos de vanguardia basados en aprendizaje profundo para identificar cápsulas de colza y atributos relacionados con las cápsulas, que luego se implementan en cultivos de colza para mejorar la precisión de la estimación del rendimiento de colza. Uno de estos métodos es YOLO v8, y el otro es el modelo de dos etapas Mask R-CNN basado en el marco Detectron2. El modelo YOLO v8n y el modelo Mask R-CNN con un backbone Resnet101 en Detectron2 logran tasas de precisión superiores al 90%. Los resultados de reconocimiento demostraron que ambos modelos funcionan bien cuando se segmentan imágenes gráficas de cápsulas de colza. A la luz de esto, desarrollamos un enfoque basado en monedas para estimar el tamaño de las cápsulas de colza y lo probamos en un conjunto de datos de prueba compuesto por nueve especies diferentes y una de L. Los coeficientes de correlación entre la medición manual y la medición de visión por computadora de longitud y ancho se calcularon utilizando métodos estadísticos. El coeficiente de regresión de longitud de ambos métodos fue 0.991, y el coeficiente de regresión de ancho fue 0.989. En conclusión, por primera vez, utilizamos técnicas de aprendizaje profundo para identificar las características de las cápsulas de colza mientras establecíamos simultáneamente un conjunto de datos para cápsulas de colza. Nuestros enfoques sugeridos fueron exitosos en segmentar y contar cápsulas de colza con precisión. Nuestro enfoque ofrece a los criadores una estrategia efectiva para analizar digitalmente los fenotipos y automatizar el proceso de identificación y selección, no solo en recursos de germoplasma de colza, sino también en plantas leguminosas, como la soja que posee cápsulas.