水稻纹枯病的数字图像定量化：优化分割和自动分类
摘要：使用RGB图像和图像处理技术量化水稻茎干图像中米纹枯病病变高度和病变区域的进展，以快速准确地筛选水稻种质资源中抗米纹枯病的来源。通过比较PCC-KMC算法和ImageJ测量结果，使用Lin's一致性相关系数评估了PCC-KMC的性能。对于绝对病变高度和绝对症状面积研究，观察到了低偏倚和高精度。此外，我们还引入了卷积神经网络（CNN）用于对聚类进行自动注释，称为PCC-KMC-CNN。通过对168个米纹枯病感染茎样本图像的85%:15%组成比例进行训练和测试数据集，我们的CNN记录了92%的准确率和0.21的损失。PCC-KMC-CNN对于绝对病变高度和绝对病变区域研究也显示了高准确性和高精度。这些结果表明，目前的方法具有巨大的潜力和前景，可以替代传统基于视觉的米纹枯病严重性评估。
作者：Da-Young Lee, Dong-Yeop Na, Yong Seok Heo, and Guo-Liang Wang
论文ID：1907.04953
分类：Quantitative Methods
分类简称：q-bio.QM
提交时间：2021-04-14