基于深度学习的农业植物表型研究综述

摘要：

植物表型是指植物可测量的特征和性状,是植物受自身基因表达、环境影响相互作用的结果,也是决定农作物产量、品质和抗逆性等性状的重要因素.大多数植物表型信息可通过数字图像处理的方法获取和分析.随着基因组学研究的快速发展,传统植物表型研究方法在诸多方面已无法满足进一步研究的需要,高精度、高通量的植物表型获取技术成为植物表型研究的新兴热点方向.近年来深度学习在数字图像处理领域取得了突破性进展,在物体识别、分割等应用上,基于深度学习的图像处理在技术表现上远好于传统方法.在植物表型研究领域,如何使用深度学习技术研究植物表型已成为研究人员十分关注的一项研究问题.本综述从植物株型与生理参数获取、植物识别与杂草检测、病虫害检测以及产量预测四个方面,对近几年基于深度学习的植物表型检测方法进行概述,同时还分析了这些方法和传统机器学习方法的优劣,最后对基于深度学习的植物表型研究的未来趋势进行分析和展望.

关键词：植物表型、深度学习、卷积神经网络

所属期刊栏目：49

资助基金：国家自然科学基金61725204,31471198;中国科学院遗传资源研发中心南方建设项目BM2016034

在线出版日期：2019-07-18（万方平台首次上网日期，不代表论文的发表时间）

页数：共19页

页码：698-716