基于深度学习的植物表型图像识别技术综述

文章来源: | 2021-01-26

植物是地球上不可缺少的资源,它们在环境保护、医药、农业开发、食品相关应用等方面具有重要意义。然而,植物种类和病害鉴定、植物生产的评价等工作,变得越来越复杂。植物研究的一个重要起点是植物表型的鉴定,植物表型是指植物可测量的特征和性状,是植物受自身基因表达、环境影响相互作用的结果, 也是决定农作物产量、品质和抗逆性等性状的重要因素。传统的植物表型鉴定方法包括人工鉴定、植物化学分类、解剖学方法、形态学方法和遗传学方法,这些方法实施困难、效率低、准确性不稳定。随着计算机技术的发展和普及,图像识别技术日趋成熟,已成功应用于人脸识别、目标检测、医学成像等诸多领域。植物表型图像识别(PPIR)是智能农业的一个重要分支。近年来,深度学习在图像识别方面取得了重大突破。因此,基于深度学习的植物表型图像识别技术越来越受到人们的重视。表1显示了最近的相关评论。

 

表1 最近的相关评论

表1210126.jpg

本文首先介绍了植物表型图像识别技术的发展和应用,然后对其进行了分类和分析。其次,介绍了四种深度学习方法的原理及其在植物表型图像识别中的应用。这些方法包括卷积神经网络(convolutional neural network, CNN)、深度信念网络(deep beliefnetwork, DBN)、递归神经网络(recurrent neural network, RNN)和 堆叠自编码器(stackedautoencoder, SAE),并将其应用于植物物种识别、植物病害诊断等。最后,讨论了植物表型图像识别中深度学习的难点和挑战。
 
图1210126.jpg
图1 基于结构匹配方法的植物表型图像识别流程图

图2210126.jpg
图2 基于数理统计方法的植物表型图像识别流程图

图3210126.jpg
图3 基于机器学习的植物表型图像识别流程图(支持向量机,SVM)

表2 植物表型图像识别技术的优缺点比较
表2210126.jpg

图4210126.jpg
图4 植物表型图像识别浅层网络学习模型的流程图

图5210126.jpg
图5植物表型图像识别深度学习模型的流程图

图8210126.jpg
图6 DBN结构示意图及基于DBN的植物表型图像识别流程图

图10210126.jpg
图11210126.jpg
图7 SAE结构示意图及基于SAE的植物表型图像识别流程图

表3 深度学习方法的优缺点比较
表3210126.jpg

阅读英文全文,请点击阅读原文。
全文阅读

Xiong J, Yu D, Liu S, et al. A Review of Plant Phenotypic Image Recognition Technology Based on Deep Learning. Electronics, 2021, 10, 81.

   中文/En