如何牢靠、高效地辨认植物种类，关于植物育种者的产权维护和种质资源创新有着严重意义。但是，由于种类间叶片的相似性较高，在种类审定中应用较少。因而，武汉理工大学生物信息团队提出了一种基于叶片图像的种类自动辨认措施MFCIS (多特征组合种类辨认系统)，该措施将耐久同源性搜集的多个叶片形态特征与卷积神经网络(CNN)相分离。此外，为了提升用户体验，团队还构建了一个让用户运用方便的web效劳，能够免费取得。 措施特性 (1) 自动化:将叶片图像直接拟合为网络的输入，种类辨认结果网络的输出。 (2) 多特征组合:对叶片形态特征中止部分和全局的综合丈量，进步辨认精度。 (3) 效率高:该措施不需求大量样本中止模型锻炼，计算时间在能够接受的范围之内。 (4) 泛化才干:模型在其他植物上也适用。
大豆数据集 为了更好的向大家引见新型植物种类辨认措施，现以大豆植物种类辨认为例。实验中，每个种类在开花开端期、开荚开端期、满荚期、结籽开端期和结籽充沛期(分别记为R1、R3、R4、R5和R6)五个繁衍阶段的几株植株上随机选取50片完整展开的叶片作为样本。这些叶子从植物上分别后，再运用扫描仪器扫描。之后，中止图像预处置。 图像预处置过程包含背景去除和对比度增强两部分。由于叶片图像质量高，背景洁净，所以采用典型的全局阈值法去除图像背景，并经过线性拉伸的措施扩展动态灰度值范围。此次实验中，经过此辨认措施中止了叶片形态特征提取、高级图像特征提取。细致如下： 提取叶片形态特征 团队应用PH从拓扑的角度捕获叶片的外形、纹理和叶脉特征，并应用pd对提取的特征中止描画。叶片外形运用Pershombox(python包)计算得到，叶片纹理和脉络pd均值运用Python Homcloud(python包)计算。在过滤过程中，系统捕获并记载了组件和孔洞的变更。在脉序特征提取方面，对二值叶脉图像中止距离变换，过滤得到的叶脉网络距离图，能够用于跟踪不同尺度下叶脉的面积和脉络结构结构变更。 提取高级图像特征 整个系统采用深度CNN模型Xception 作为主干网络，提取叶片图像的高级特征。在相对较小的数据集上从头锻炼较多层次的神经网络是很艰难的。此外，从其他图像分类任务中学到的学问可能对研讨有辅佐。因而，团队采用ImageNet数据集上的exception权值作为初始权重，将迁移学习应用到种类分类任务中。全局平均池化层的输出是2048维向量，作为接下来的多特征组合过程的高级图像特征。与传统的手工制造的形态特征(叶面积、周长等)和基于图像处置的描画符相比，高级图像特征具有更好的笼统性和辨识力。
为了运用方便，团队开发了一个在线种类辨认系统。该系统提供了一种简单易用的种类辨认效劳，包含三个步骤:(1)模型和数据集的选择。用户需求选择一个初始的模型和目的数据集，然后等候模型加载和配置。(2)图像上传与种类辨认。用户经过弹出的窗口选择并上传一个本地图像文件。等候几分钟后，直到系统做出预测。(3)查看预测结果。以饼状图的方式显现前3个种类的预测结果。用户能够点击饼状图，查看各种类的预测得分。细致的用户手册能够在弥补手册中找到。
结论与观念 在作物育种群体中，种类审定长期依赖于专家的视觉辨认，精度不能保障。随着深度学习和图像技术的展开，园艺研讨者和计算机视觉界对基于叶片图像的栽培种类辨认研讨越来越关注。由于之前模型的精确性依旧是一个有待处置的关键问题。此次，团队关于本研讨提出了一种有效的叶片图像获取战略，设计了高精度的种类辨认图像剖析系统，构建了基于web、用户友好的种类辨认平台。在植物种类辨认图像，辨认精确性，非专家也能运用等方面有严重意义。 |
名表回收网手机版
