高通量表型能够大规模有效地收集植物性状数据。一个例子是在作物生长季节的关键阶段使用成像系统。虽然生成的图像为植物表型的统计分析提供了丰富的数据，但需要进行性状提取的图像处理作为先决条件。目前的特征提取方法主要是基于人类标记数据的监督学习或人类标记数据与非监督数据混合的半监督学习。不幸的是，准备足够大的训练数据既费时又费力。
KAT4IA图。从左上方顺时针到左下方的子图说明了从原始RGB图像到拟合生长曲线的算法工作流程。
作者描述了一个自监督管道(KAT4IA)，它在温室图像上使用 K 均值聚类来构建训练数据，用于从基于图像的田间表型系统中提取和分析植物性状。KAT4IA 管道包括以下主要步骤：自监督训练集构建、从田间种植的植物图像中分割植物、目标植物的自动分离、植物性状计算以及提取性状的函数曲线拟合。
训练数据（植物类）获取示例。
图(a)是裁剪后的温室图像；
图(b)是使用K-means算法（K=3）的聚类结果。白色部分随后用作植物类的训练数据。簇的数量K可以选择为2。对于K=3，第三类给出了植物的边缘。
图(c)是直接应用于现场图像的 K-means 算法的结果，该算法无法分离植物像素。
为了解决田间图像中目标植物与噪声背景分离的难题，提出了一种利用变换域神经网络学习分割图像的行切割和列切割的新方法，该方法利用从温室图像中识别的植物像素来训练田间图像的分割模型。这种方法是有效的，不需要人工干预。实验结果表明，KAT4IA能够准确提取植物像素并估计植物高度。
来源：Plant Phenomics.KAT4IA: K-Means Assisted Training for Image Analysis of Field-Grown Plant Phenotypes.Xingche Guo, Yumou Qiu , Dan Nettleton, Cheng-Ting Yeh, Zihao Zheng, Stefan Hey, and Patrick S. Schnable
https://spj.sciencemag.org/journals/plantphenomics/2021/9805489/
鄂公网安备42018502003245号 网站地图
