基于深度机器学习的玉米生理特征与几何表型关联解析 (3).pdf

本文探讨的主题是利用深度机器学习方法解决玉米生理特征与几何表型关联解析的难题。在传统的统计分析中，这些问题主要包括前景分割困难、密集特征的遮挡以及尺度差异带来的挑战。针对这些问题，研究者提出了一种混合神经网络模型，由多列卷积神经网络（MCNN）和深度卷积神经网络（DCNN）组成。 MCNN是模型的前端部分，其核心在于自适应卷积核。MCNN解决了传统方法中前景分割的难题，它采用不同大小的卷积核来适应玉米特征的不同尺度，确保对阴影、形状和面积变化的敏感性。在密集场景下，MCNN通过考虑玉米特征与其邻居的平均距离，动态调整卷积的扩展参数，减少了拥挤情况下的定位误差。 DCNN则作为模型的后端，旨在保持空间结构信息的完整性。在深层神经网络中，过多的池化层会导致图像分辨率下降，丢失空间信息。为解决这个问题，DCNN采用了增宽卷积，增大接收区，以保持更多的空间细节，从而提高模型的识别准确性。模型的深度加深，允许提取更深层次的信息，尤其是当目标特征与接收区大小相当时，使用更多小卷积核的层能更好地捕捉细节。 训练过程中，模型使用约1.5万张标注过的图像，这些图像仅用于训练。模型的输出不仅包括对玉米生理特征的精确定位，还能估算出几何表型的相关信息，揭示两者之间的关联。 这项工作通过创新性的深度学习模型，成功地解决了玉米生理特征的检测和统计问题，克服了传统方法的局限性，提高了分析的准确性和效率，对于农业领域的表型研究具有重要的理论和实践意义。这种技术的应用有可能推动精准农业的发展，帮助农民更好地理解和优化玉米的生长条件，提高农作物的产量和质量。