利用深度学习智能监测植物缺水引起的应激,IEEE Transactions on Instrumentation and Measurement

近十年来，结合无创图像分析和机器学习的高通量植物表型技术已成功应用于识别和量化植物健康和疾病。然而，这些技术通常不考虑植物胁迫的渐进性，并且通常需要显示严重胁迫迹象的图像以确保高置信度检测，从而降低了胁迫下植物的早期检测和恢复的可行性。为了克服上述问题，我们提出了一种深度学习流程，用于对植物因胁迫引起的视觉变化进行时间分析，并将其应用于鹰嘴豆植物拍摄图像中的特定水分胁迫识别案例。为此，我们考虑了两个鹰嘴豆品种 JG-62 和 Pusa-372 在三种水分胁迫条件下的图像数据集：对照、幼苗和开花前，在五个月内拍摄。我们采用了卷积神经网络的变体——长短期记忆（CNN-LSTM）网络来从鹰嘴豆植物数据集中学习时空模式，并将其用于水分胁迫分类。我们的模型在 JG-62 鹰嘴豆植物数据上实现了 98.52% 的上限分类性能，在 Pusa-372 鹰嘴豆植物数据上实现了 97.78% 的上限分类性能，并且对于 JG-62 和 Pusa-372 物种，其性能比报道的最佳时不变技术至少高出 14%据我们所知。此外，我们的 CNN-LSTM 模型表现出了对噪声输入的鲁棒性，平均模型精度下降了不到 2.5%，两个物种的平均值的标准偏差也很小。最后，我们进行了消融研究，通过减少用于训练的时间会话数据的数量来分析 CNN-LSTM 模型的性能。

"点击查看英文标题和摘要"

相关知识

复杂场景下的复杂缺陷检测方法——深度学习算法综述（转载 https://mbd.baidu.com/newspage/data/landingsuper?context=%7B%22nid%22%3A%22news
基于自适应判别深度置信网络的棉花病虫害预测
Plant disease identification method based on lightweight CNN and mobile application
基于深度学习的油井工况智能诊断技术研究及应用
可持续农业的智能检测：植物病害检测中基于物联网的嵌入式系统、云平台、深度学习和机器学习综述,Multimedia Tools and Applications
一种基于深度学习的柑橘病虫害智能诊断方法及系统与流程
基于YOLOv8深度学习的智能肺炎诊断系统【python源码+Pyqt5界面+数据集+训练代码】深度学习实战
基于深度学习的植物病虫害智能检测系统研究
基于深度学习的yolov7植物病虫害识别及防治系统
利用虫情监测设备和虫脸识别技术进行害虫智能识别与防治

网址: 利用深度学习智能监测植物缺水引起的应激,IEEE Transactions on Instrumentation and Measurement https://www.huajiangbk.com/newsview635244.html