大豆深度学习和3维重构的大豆表型研究（20211101）
image.png
报告来自东北农业大学的朱荣胜老师。 此报告介绍了大量的相关工作，并且而非常值得动物领域进行借鉴。表型值是基因组时代的key。
此报告的提纲：
image.png
此报告想回答的问题：
image.png
0 背景介绍：
植物生态学学科，从描述到量化性状。大豆的特点：
image.png
大豆表型：大致分为生长期和成熟些表型：
image.png
image.png
测量表型，以前就是人工测量表型，现在是仪器自动识别，但是其准确性取决于其内部的算法。
测量表形态表型的算法特点： 算法功能=识别+分类+计算+测量
image.png
第一部分 大豆生长期表型
1 基于三维重构的表型研究
拍摄方式
每次转15°，24张照片， 4个角度， 120张 照片
image.png
流程：（图像预处理需要人为做）
image.png
结果图：
image.png
模型提取
image.png
如冠层水平的表型提取（需要搭载TXL库）：
image.png
叶面积提取步骤：
image.png
节间距：
image.png
更复杂的性状采用了3D-BoNet
image.png
结果分割图
image.png
对模型进行估计：以人工测量的为参考值：
image.png
结果：基于三维模型的测量≈人工测量
探索更大空间应用：田间三维重构，每块设置一个采样点（放大桶）：
image.png
全生育期重构结果：
image.png
大桶与田间的植株比较：
image.png
应用比较不同时期参试品种的表型比较：
image.png
表型指纹：
image.png
** 问题和挑战**
image.png
2 基于深度学习的表型研究
image.png
2.1 大豆花荚表型：
image.png
图像花识别（转个拍摄）：
image.png
材料：
image.png
困难：
image.png
由于小目标识别，尽量提取多的特征，方法借鉴Faster R-CNN，改进为SoyflowerRCNN:
image.png
试验流程：
image.png
参数设置和评价指标：
image.png
结果：
image.png
模型对比：
image.png
对时间序列图：
image.png
独立样本验证：
image.png
2.2 大豆的荚识别
image.png
算法：
image.png
image.png
image.png
image.png
结果比较：
image.png
image.png
独立：
image.png
独立验证：
image.png
时间序列的动态分析：
image.png
3 大豆花荚识别与计数融合模型
image.png
算法：
image.png
融合：
image.png
结果：
image.png
image.png
时间变化：
image.png
使用融合的模型探索大豆落花落荚的规律
image.png
结果：
image.png
image.png
image.png
分布部分
image.png
落花规律：
image.png
落荚规律：
image.png
困难与挑战：
image.png
4 大豆病程的诊断
image.png
例子（缺点破坏性取样）：
image.png
image.png
数据缺失，设计了新的算法，对叶子随机分割，再预测：
image.png
示意算法代码：
image.png
评价和调参数：
image.png
结果： A为分割小图片，B为整个叶片判断结果
第二部分 大豆成熟期表型
表型分类：
image.png
取参考表型：
image.png
拍照平台：
image.png
模型算法：
image.png
引入PCA
image.png
算法：
image.png
试验设计图：
image.png
模型图示：
image.png
结果：
image.png
image.png
image.png
具有成熟期， 探索性分析
材料：
image.png
特征提取：
image.png
多个特征时，可以聚类：
image.png
image.png
基于得到表型的GWAS分析
image.png
群体机构图：
image.png
使用，离心率表型
image.png
image.png
困难和挑战
直接使用整个植株， 无人机识别时，产量预测
image.png
第三部分 表型技术的应用和延长
智能表型品台：
image.png
image.png
已经搭建的平台：
image.png
image.png
作物：
image.png
