Crop Lodging Prediction from UAV-Acquired Images of Wheat and Canola\n using a DCNN Augmented with Handcrafted Texture Features
Notice bibliographique
Résumé
Lodging, the permanent bending over of food crops, leads to poor plant growth\nand development. Consequently, lodging results in reduced crop quality, lowers\ncrop yield, and makes harvesting difficult. Plant breeders routinely evaluate\nseveral thousand breeding lines, and therefore, automatic lodging detection and\nprediction is of great value aid in selection. In this paper, we propose a deep\nconvolutional neural network (DCNN) architecture for lodging classification\nusing five spectral channel orthomosaic images from canola and wheat breeding\ntrials. Also, using transfer learning, we trained 10 lodging detection models\nusing well-established deep convolutional neural network architectures. Our\nproposed model outperforms the state-of-the-art lodging detection methods in\nthe literature that use only handcrafted features. In comparison to 10 DCNN\nlodging detection models, our proposed model achieves comparable results while\nhaving a substantially lower number of parameters. This makes the proposed\nmodel suitable for applications such as real-time classification using\ninexpensive hardware for high-throughput phenotyping pipelines. The GitHub\nrepository at https://github.com/FarhadMaleki/LodgedNet contains code and\nmodels.\n
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».