A semi‐automatic workflow for plot boundary extraction of irregularly sized and spaced field plots from UAV imagery
Notice bibliographique
Résumé
Abstract Advances in high‐throughput platforms such as UAVs (unoccupied aerial vehicles) facilitate rapid image‐based phenotypic data acquisition. However, existing plot‐level data extraction methods are unreliable if field plots differ in size and spacing, as often occurs in early‐generation plant breeding trials. To overcome the limitations of conventional plot extraction techniques, a combinational approach with both field‐map information and image classification techniques can be used to optimize plot extraction. The objective of this study was to develop a plot boundary extraction workflow for irregularly sized and spaced field plots from UAV imagery using plot spacing data and vegetation index‐based classifiers. An herbicide screening experiment consisting of three replications of 780 lentil (Lens culinaris Medik.) populations was foliar sprayed with saflufenacil. Aerial image acquisition was conducted during the peak vegetation stage using a RedEdge multispectral camera. A semi‐automatic workflow was compiled in eCognition software to extract lentil plot boundaries. Normalized difference vegetation index (NDVI) was calculated to locate the plots with vegetation and those with low NDVI or no vegetation, and pixel resizing based on plot size and orientation was used to draw the plot boundary. The extraction results showed a precise estimation of plot boundary for all the plots with a wide range of herbicide damage, including the plots with complete loss of vegetation. By using a simple convolutional filter (line filter), image thresholding, and pixel resizing, this approach avoided the use of complex algorithm‐based methodologies. Results suggest that this workflow can be extended to a wide range of phenotyping studies.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,004 |
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 ».