深度學(xué)習模型已經(jīng)成為現(xiàn)代基于計算機視覺的農(nóng)業(yè)任務(wù)的標準�，F(xiàn)在，通過深度學(xué)習實現(xiàn)自動化的常見標準任務(wù)包括水果檢測、作物和雜草分割以及植物疾病分類和預(yù)測。深度學(xué)習模型通常情況下最初并非應(yīng)用于場景復(fù)雜的農(nóng)業(yè)，因此數(shù)據(jù)集的模型權(quán)重會針對農(nóng)業(yè)任務(wù)進行微調(diào)。缺乏針對農(nóng)業(yè)的微調(diào)可能會增加培訓(xùn)時間和資源使用，并降低模型性能，從而導(dǎo)致數(shù)據(jù)效率的總體下降。
 

2023年8月，Plant Phenomics在線發(fā)表了加州大學(xué)戴維斯分校等單位題為Standardizing and Centralizing Datasets for Efficient Training of Agricultural Deep Learning Models 的研究論文。
 

為了克服這一限制，我們將數(shù)據(jù)集限制為三個任務(wù):圖像分類，語義分割和目標檢測。此外，我們專注于只有單個3通道RGB圖像輸入的數(shù)據(jù)集，以便于使用標準深度學(xué)習模型為各種數(shù)據(jù)集創(chuàng)建基準，而無需進行任何架構(gòu)修改，從而可以更輕松地訪問更廣泛的未來應(yīng)用。然后，我們使用深度學(xué)習任務(wù)中常用的方法進行了許多實驗，但這些方法在農(nóng)業(yè)領(lǐng)域的特定應(yīng)用中尚未被探索。我們的實驗指導(dǎo)我們開發(fā)了許多改進數(shù)據(jù)的方法訓(xùn)練農(nóng)業(yè)深度學(xué)習模型時的效率，無需對現(xiàn)有管道進行大規(guī)模修改。

圖1 從本研究中使用的語義分割數(shù)據(jù)集的樣本圖像，分別為甜菜草、蘿卜草和蘋果花三種植物的圖像。包含帶有注釋分割掩碼的原始圖像。每個圖像來源的數(shù)據(jù)集在它上面進行了注釋。這些圖像以其原始的高寬比顯示。

圖2 一個來自加州葡萄檢測的例子圖像與本研究中使用的每一個增強應(yīng)用于它。原始圖像沒有調(diào)整大小，而增強圖像大小調(diào)整了（為了實際的訓(xùn)練）

本研究所構(gòu)建的標準管道使深度學(xué)習模型能夠在本研究所采集和整理的數(shù)據(jù)集上獲得與現(xiàn)有基準相當?shù)男阅�，在某些情況下甚至超過它們。這些數(shù)據(jù)集以及達到這些基準的預(yù)訓(xùn)練模型可以通過開源框架AgML獲得，從而可以進一步研究開發(fā)更高效的數(shù)據(jù)和模型管道。下圖（圖3）總結(jié)了農(nóng)業(yè)預(yù)訓(xùn)練權(quán)重的實驗結(jié)果，每個結(jié)果代表7個單類模型，完整代表一個7類模型。對于所有的7類模型，預(yù)訓(xùn)練的農(nóng)業(yè)模型顯著優(yōu)于COCO和NONE基線。

圖3比較來自全球水果檢測數(shù)據(jù)集的7個不同個體水果的mAP@0.5值，以及完整的數(shù)據(jù)集

本研究結(jié)果表明，即使是很小的訓(xùn)練修改，如使用農(nóng)業(yè)預(yù)訓(xùn)練模型權(quán)值，或在數(shù)據(jù)處理管道中采用特定的空間增強，也可以顯著提高模型性能，縮短收斂時間，節(jié)省訓(xùn)練資源。此外，本研究發(fā)現(xiàn)即使是在低質(zhì)量注釋上訓(xùn)練的模型也能產(chǎn)生與高質(zhì)量注釋相當?shù)男阅芩�平，這表明具有低質(zhì)量注釋的數(shù)據(jù)集仍然可以用于訓(xùn)練，擴大當前可用數(shù)據(jù)集的池。本研究所提出的方法廣泛適用于整個農(nóng)業(yè)深度學(xué)習，并呈現(xiàn)出顯著提高數(shù)據(jù)效率的巨大潛力。
 

本文的主要作者為Amogh Joshi博士和Dario Guevara博士，所屬單位加州大學(xué)戴維斯分校和下一代食品系統(tǒng)人工智能研究所。該項目部分得到了美國農(nóng)業(yè)部人工智能下一代食品系統(tǒng)研究所（AIFS）的支持，美國農(nóng)業(yè)部的獎項編號為2020-67021-32855。該項目主要由加州大學(xué)戴維斯分校葡萄栽培與釀酒學(xué)系和加州大學(xué)生物與農(nóng)業(yè)工程學(xué)協(xié)完成，實驗數(shù)據(jù)為AgML收集的公共數(shù)據(jù)。

論文鏈接：
https://doi.org/10.34133/plantphenomics.0084

——推薦閱讀——
Enhancing green fraction estimation in rice and wheat crops: a self-supervised deep learning semantic segmentation approach
https://doi.org/10.34133/plantphenomics.00‍64
Plant Phenomics | 虛擬圖像“以假亂真”，無需人工標注，自監(jiān)督創(chuàng)建小麥表型算法
Analyzing Nitrogen Effects on Rice Panicle Development by Panicle Detection and Time-Series Tracking
https://doi.org/10.34133/plantphen‍omics.0048
Plant Phenomics | 南京農(nóng)業(yè)大學(xué)基于目標檢測與追蹤算法在提取水稻抽穗開花期表型上的應(yīng)用

加入作者交流群
掃碼添加小編微信，拉您進入《植物表型組學(xué)》作者交流群，群內(nèi)不定期開展作者分享會、�？�發(fā)布會等高質(zhì)量活動。

添加小編微信，備注姓名+單位+PP，加入作者交流群

About Plant Phenomics

《植物表型組學(xué)》（Plant Phenomics）是由南京農(nóng)業(yè)大學(xué)和美國科學(xué)促進會（AAAS）合作創(chuàng)辦的英文學(xué)術(shù)期刊，于2019年1月正式上線發(fā)行。采用開放獲取形式，刊載植物表型組學(xué)交叉學(xué)科熱點領(lǐng)域具有突破性科研進展的原創(chuàng)性研究論文、綜述、數(shù)據(jù)集和觀點。具體范圍涵蓋高通量表型分析的最新技術(shù)，基于圖像分析和機器學(xué)習的表型分析研究，提取表型信息的新算法，作物栽培、植物育種和農(nóng)業(yè)實踐中的表型組學(xué)新應(yīng)用，與植物表型相結(jié)合的分子生物學(xué)、植物生理學(xué)、統(tǒng)計學(xué)、作物模型和其他組學(xué)研究，表型組學(xué)相關(guān)的植物生物學(xué)等。期刊已被DOAJ、Scopus、PMC、EI和SCIE等數(shù)據(jù)庫收錄�？祁Ｎò睯CR2022影響因子為6.5，位于農(nóng)藝學(xué)、植物科學(xué)、遙感一區(qū)。中科院農(nóng)藝學(xué)、植物科學(xué)一區(qū)，遙感二區(qū)，生物大類一區(qū)（TOP期刊）。2020年入選中國科技期刊卓越行動計劃高起點新刊項目。

說明：本文由《植物表型組學(xué)》編輯部負責組稿。
中文內(nèi)容僅供參考，一切內(nèi)容以英文原版為準。
撰稿：吳庚宸（南京農(nóng)業(yè)大學(xué)）
排版：張婕（上海交通大學(xué)）
審核：孔敏、王平