.png){kind=icon}
返回
Self-Supervised and Multi-Task Learning Framework for Rapeseed Above-Ground Biomass Estimation
.png){kind=icon}
OA
AI
DOI：10.3390/agriculture15232516.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
准确、高通量估算地上生物量（AGB），作为产量预测的关键指标，是油菜育种中的一个重要目标。然而，这一目标受到两大关键挑战的制约：(1) 传统测量方法具有破坏性且费时费力；(2) 现代深度学习方法需要大量且昂贵的标注数据集。为解决这些问题，我们提出了一种数据高效的深度学习框架，利用智能手机拍摄的俯视RGB图像进行AGB估算（包括鲜重FW和干重DW）。我们的方法采用两阶段策略：首先，使用DINOv2自监督学习（SSL）方法，将视觉Transformer（ViT）骨干网络在大规模、多样化的非油菜公共植物数据集上进行预训练；随后，将该预训练模型在小型、自定义标注的油菜数据集（N=833）上，通过多任务学习（MTL）框架进行微调，以同时回归FW和DW。这种MTL方法作为一种强大的正则化手段，迫使模型学习与植物三维结构和密度相关的鲁棒特征。通过严格的5折交叉验证，我们提出的模型在鲜重（决定系数R²=0.842）和干重（R²=0.829）上均表现出优异的预测性能。该模型显著优于多种基线模型，包括从零训练的模型和基于通用ImageNet数据集预训练的模型。消融实验证实了领域特定SSL（相较于ImageNet）和MTL框架（相较于单任务训练）的关键性和协同贡献。本研究表明，SSL+MTL框架能够有效从二维图像中学习推断复杂的三维植物属性，为非破坏性表型分析提供了一种鲁棒且可扩展的工具，以加速油菜育种周期。
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:
3.6
论文数:
1.3W
被引数:
2.8W
机构
引用论文
分享收藏Double-Exposure Algorithm: A Powerful Approach to Address the Accuracy Issues of Fractional Vegetation Extraction under Shadow ConditionsLi, J.; Chen, W.; Ying, T.; Yang, L. 双曝光算法：一种解决阴影条件下植被分数提取精度问题的有力方法。 Appl. Sci. 2024, 14, 7719. [Google Scholar] [CrossRef]
PREAI
分享收藏Estimation of nitrogen content in wheat using indices derived from RGB and thermal infrared imaging使用RGB和热红外成像得出的指标估算小麦中的氮含量.png)
FIELD CROPS RESEARCH
FIELD CROPS RESEARCHIF6.4
PREAI
分享收藏
查看更多内容