.png){kind=icon}
返回
Developing a segment anything model-based framework for automated plot extraction
.png){kind=icon}
OA
AI
DOI：10.1007/s11119-025-10249-x.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
目的 在农艺研究领域试验中实现地块自动化提取对于高通量表型分析和精准农业至关重要。准确划定地块边界能够实现可靠的作物类型分类、产量估算和作物健康监测。然而，传统的地块提取方法高度依赖手动数字化，耗时费力且易产生不一致性。本研究旨在开发一种基于Segment Anything Model（SAM）的框架，在多样化农业田间条件下实现地块自动化提取，同时保持高精度。
方法 所提出的框架包括掩码生成、地块方向估计和地块精炼三个步骤。利用SAM生成地块掩码，随后通过过滤和精炼确保精确的边界划定。该方法设计无需模型训练或微调，使其能够灵活适应不同数据集。
结果 该框架在五个数据集上进行了验证，展示了在不同田间条件下的稳健性能。基于像素的评估平均F1得分为89.54%。在基于多边形的评估中，框架在IoU=50%时达到99.71%的精度，并在IoU阈值50%至95%范围内平均精度为68.51%，证实其能够准确提取地块边界。基于Canopeo的回归分析进一步表明，与手动数字化的地面参考数据相比，提取的地块能提供更可靠的表型估计值。
结论 所提出的框架显著减少了人工工作量，同时确保高精度和大规模表型分析的可扩展性。仅依赖RGB图像和零样本分割，提高了其在实际农业研究中的可及性。未来工作将聚焦于扩展框架以适应不规则地块结构、多样化作物类型，并针对大规模实施进行计算优化。
Keyword:
Plot boundary
Plot extraction
Segment anything model (SAM)
High-throughput phenotyping (HTP)
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
IF:
6.6
论文数:
1.4K
被引数:
6.3K
机构
引用论文
Next-generation phenotyping: requirements and strategies for enhancing our understanding of genotype–phenotype relationships and its relevance to crop improvement下一代表型: 增强我们对基因型-表型关系及其与作物改良相关性的理解的要求和策略
OAAI
OAAI分享收藏Canopy Roughness: A New Phenotypic Trait to Estimate Aboveground Biomass from Unmanned Aerial System.png)
PLANT PHENOMICSOAAI
PLANT PHENOMICSIF6.4
OAAI分享收藏Phenomics - technologies to relieve the phenotyping bottleneck表型组学-缓解表型瓶颈的技术TRENDS IN PLANT SCIENCE
TRENDS IN PLANT SCIENCEIF20.8
PREAI
分享收藏
查看更多内容