​

方法示意圖

在數(shù)字圖像中精確地分割背景中的植物，是表型分析的基礎(chǔ)和挑戰(zhàn)。傳統(tǒng)方法在均勻環(huán)境下的表現(xiàn)令人滿意，然而當(dāng)應(yīng)用于動(dòng)態(tài)田間環(huán)境中的圖像時(shí)，性能卻有所下降。

根據(jù)這一背景，本文提出了一種多特征學(xué)習(xí)方法來量化室外條件下的植被生長， 并將該技術(shù)與目前最新的數(shù)字圖像技術(shù)和其他學(xué)習(xí)方法進(jìn)行比較。用不同的環(huán)境條件和以下標(biāo)準(zhǔn)對所有方法進(jìn)行比較和評價(jià)： （1）與地面真實(shí)圖像比較，（2）隨著環(huán)境光照一天中的變化，（3）與手動(dòng)測量的比較，（4） 小麥冠層整個(gè)生命周期的性能評估。

不同光照條件下前景（FG）和背景（BG）示例圖像

測試圖像示例及相應(yīng)原始圖像

實(shí)驗(yàn)結(jié)果表明，所描述的方法能夠應(yīng)對在現(xiàn)場條件下面臨的環(huán)境挑戰(zhàn)，具有較高的適應(yīng)性，并且不需要調(diào)整每個(gè)數(shù)字圖像的閾值。所提出的方法也是在田間獲得整個(gè)作物生長過程中表型信息時(shí)間序列的理想方法。此外，該方法的優(yōu)點(diǎn)在于它不僅限于生長測量，而且還可以用于識別雜草、疾病、脅迫等。

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

來源：

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.