From Fields to Pixels: UAV Multispectral and Field-Captured RGB Imaging for High-Throughput Wheat Spike and Kernel Counting
Notice bibliographique
Résumé
Wheat breeding enhances wheat crops for better environmental resistance and higher yield potential. Experimental breeding lines are evaluated based on their yield potential, where quantifying spikes per unit area and kernels per spike is crucial for assessment. This study introduces SPINEL (SPIke and kerNEL), a framework that combines unmanned aerial vehicle (UAV)-captured multispectral imaging and field-captured RGB camera imaging for spike and kernel quantification. This approach utilizes YOLOv8 models, each tailored for a specific detection task. The first model detects plots in UAV-captured multispectral images with a mean average precision (mAP) score of 95%, while the second model, trained to detect spikes in the same dataset, demonstrates an mAP score of 86%. The third model detects spikes and kernels in field-captured RGB images with an 85% mAP score. The first two models aid in estimating the spike density in each field plot. The third model provides the estimated number of kernels in spikes of each unique breeding line. Spikes per field plot and kernels per spike serve as key quantification metrics. The SPINEL framework utilizes the geolocation information of the multispectral images and associates these metrics with breeding lines at the field level. This integration provides a clear visual representation of spike count and average kernels per spike for each field plot. SPINEL offers a precise, automated solution for phenotyping in wheat breeding, promising significant advancements in crop improvement strategies.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 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) | 0,000 | 0,000 |
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 tête enseignante, 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 ».