论文信息
论文解读
AI 辅助整理- 方法
- 提取6个几何性状,用随机森林、SVM及四种CNN和集成模型,在6个播后天数分类。
- 发现
- 集成模型在29天准确率最高0.82,形态相似品种易混淆,Grad-CAM显示关注叶簇和冠层结构。
- 机会点
- 可将叶片RGB表型框架扩展到田间条件,融合遥感与高光谱实现大规模精准表型鉴定。
论文摘要
深度学习(DL)为准确、可扩展的植物分类提供了一种有前景的方法。然而,大多数关于水稻的深度学习研究依赖于种子图像。本研究利用营养生期的红绿蓝(RGB)图像及由此衍生的几何性状,对九个水稻品种进行了基于叶片的分类评估,构建了图像引导的特征整合模型。分类策略包括基于性状的方法、基于RGB图像的方法以及RGB图像与性状相结合的方法。在几何性状测量方面,利用Python中的OpenCV模块计算了六个性状。分类在播种后13、21、23、29、33和35天(DAS)六个生长阶段进行。基于性状的分类采用随机森林和支持向量机模型。对于仅RGB图像分类及RGB图像与性状联合分类,评估了四种卷积神经网络(CNN):EfficientNetV2、InceptionV3、ConvNeXt-Tiny和ResNet-50,以及ResNet与EfficientNet的集成模型。基于性状的分类在所有阶段准确率均低于0.5。在基于RGB图像的评估中,EfficientNetV2、ResNet-50和ConvNeXt-Tiny在29 DAS时准确率为0.76,最低为InceptionV3在13和23 DAS时的0.43,最高为集成模型在29 DAS时的0.80。同样,在性状整合方法中,集成模型在29 DAS时取得了最高准确率0.82。误分类最多的品种(Haepum被误分类为Chindeul达41次)其平均标准化性状值与真实Chindeul相似,表明形态相似性与较高的误分类相关,而形态差异则与分类效果的改善相关。对表现最佳分类模型的梯度加权类激活映射(Grad-CAM)可视化显示,热图集中在叶簇和冠层结构上,表明植物的几何性状在品种区分中也发挥了关键作用。这些发现表明,CNN为品种分类提供了一种可行的方法。未来工作将把该框架扩展至田间条件,并整合遥感与高光谱成像,以增强大规模精准表型分析能力。
论文原文与出版信息
Frontiers in Plant Science