用于高通量田间表型绿色植被自动分割的多功能机器学习模型

​

方法示意图

在数字图像中精确地分割背景中的植物，是表型分析的基础和挑战。传统方法在均匀环境下的表现令人满意，然而当应用于动态田间环境中的图像时，性能却有所下降。

根据这一背景，本文提出了一种多特征学习方法来量化室外条件下的植被生长， 并将该技术与目前最新的数字图像技术和其他学习方法进行比较。用不同的环境条件和以下标准对所有方法进行比较和评价： （1）与地面真实图像比较，（2）随着环境光照一天中的变化，（3）与手动测量的比较，（4） 小麦冠层整个生命周期的性能评估。

不同光照条件下前景（FG）和背景（BG）示例图像

测试图像示例及相应原始图像

实验结果表明，所描述的方法能够应对在现场条件下面临的环境挑战，具有较高的适应性，并且不需要调整每个数字图像的阈值。所提出的方法也是在田间获得整个作物生长过程中表型信息时间序列的理想方法。此外，该方法的优点在于它不仅限于生长测量，而且还可以用于识别杂草、疾病、胁迫等。

Keywords:Field phenotyping、Learning-based segmentation、Fractional cover、Field Scanalyzer、RGB images

来源：

Plant Methods.21 November 2017.

Multi-feature machine learning model for automatic segmentation of green fractional vegetation cover for high-throughput field phenotyping

Pouria Sadeghi-Tehran,Nicolas Virlet, Kasra Sabermanesh and Malcolm J. Hawkesford.