Unmanned Ground Vehicle for High-throughput Phenotyping to Quantify Field Crops Characteristics
Notice bibliographique
Résumé
Digital imaging technology has gained significant interest in recent decades, particularly in the field of high-throughput phenotyping (HTP) for plant breeding. Breeding programs generates thousands of new crop lines that require evaluation under multiple environments. Considerable efforts have been made in utilizing genome wide association studies (GWAS) and genomic selection (GS) to identify genetic markers and improve desirable crop characteristics. Selecting key phenotypes is an essential component of plant breeding, and traditional methods require considerable resources and are subjective. Therefore, breeders and geneticists are in an urge of a robust technology to identify desirable crop traits. HTP using advanced sensors is a promising approach to evaluate improved crop genotypes for traits of agronomic importance. In this project, six Research and development Centers (RDCs) of Agriculture and Agri-food Canada have been utilizing University of Saskatchewan built Field Phenotyping System ("UFPS Cart") to phenotype a heritage bread wheat panel. The UFPS cart is a proximal sensing mobile platform equipped with multiple payloads (RTK GPS, RGB, NIR, and LiDAR sensor). For diverse climatic data collection, the panel consisting of 30 Canadian western spring wheat varieties were grown under six environments. This study aims to develop large-scale data management and image analysis pipelines to quantify different crop growth characteristics representing agronomic and physiological traits. It support data-driven decision making under genotype × environment effect. The multi-location imagery and ground observation data from six environments are currently being processed using the internal General Public Science Cluster (GPSC) for deep learning training to develop prediction models and extract phenotypic traits of interest (canopy height, crop lodging, heading, maturity, grain yield and protein content). The developed tools and associated models will aid to accelerate advances in cereal breeding programs.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 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 | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 0,003 |
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 ».