zhlingl的个人博客分享 http://blog.sciencenet.cn/u/zhlingl

博文

2020-11-12=Big Data=Plant Pathology

已有 2151 次阅读 2020-11-12 19:02 |个人分类:文献阅读|系统分类:科研笔记

Application of Statistical Tools for Data Analysis and Interpretation in Rice Plant Pathology

The Plant Pathology Challenge 2020 data set to classify foliar disease of apples

Examples of common and economically  important fungal diseases in an apple orchard impacting cosmetic  appearance, fruit quality, and yield: apple scab 苹果结 (Venturia inaequalis) on fruit and leaves, and cedar apple rust (Gymnosporangium juniperi‐virginianae) 雪松苹果锈 on leaves (A); black rot 黑腐烂 and frogeye leaf spot (Sphaeropsis malorum) 蛙眼叶斑病 on fruit and leaves (B).

在不同光照条件下拍摄的苹果叶片上的疾病症状图像:叶片上的间接阳光(A),叶片上的直接阳光(B)和叶片上的强反射(C)。

来自数据集的样本图像显示了雪松苹果锈病(A),苹果黑星病(B),单叶病(C)和健康叶病(D)的症状。 2019年,使用数码相机和智能手机在康奈尔农业科技公司(美国纽约,日内瓦)的大量苹果品种的研究果园中捕获了症状图像。图像显示了光照条件和疾病早期至晚期的变化。不同疾病类别的嫩叶和老叶的症状。

根据带注释的叶图像开发用于疾病检测的计算机视觉模型的步骤流程图。

Using Deep Learning for Image-Based Plant Disease Detection

图1.来自PlantVillage数据集的叶子图像示例,代表使用的每种作物疾病对。 (1)苹果黑星病,苹果黑星病(2)苹果黑腐病,灰葡萄孢(3)苹果雪松、,草(Gymnosporangium juniperi-virginianae)(4)苹果健康(5)蓝莓健康(6)樱桃健康(7)樱桃白粉病, Podoshaera秘密食品(8)玉米灰叶斑病,Cercospora zeae-maydis(9)玉米普通锈病,Puccinia sorghi(10)玉米健康(11)玉米北部叶枯病,Exserohilum turcicum(12)葡萄黑腐病,Guignardia bidwellii(13 )葡萄黑麻疹(Esca),嗜酸杆菌(Phaeomoniella aleophilum),衣原体(Phaeomoniella chlamydospora)(14)葡萄健康(15)葡萄叶枯萎病,假单孢菌(Pseudocercospora vitis)(16)橙黄龙冰(Citrus Greening),Candidatus Liberibacter spp。 (17)桔梗黄桃(18)桃子健康(19)桔梗黄椒(20)灯笼椒健康(21)马铃薯早疫病,黑麦草(22)马铃薯健康(23)马铃薯晚疫病,疫霉菌(Phytophthora infestans)(24)覆盆子健康(25)大豆健康(26)南瓜粉状霉菌,细纹长春花(27)草莓健康(28)草莓叶焦烧,梁龙(29)番茄细菌斑,黄单胞菌(xanthomonas campestris pv。) vesicatoria(30)番茄早疫病,黑粉病(Alternaria solani)(31)番茄晚疫病,致疫疫霉(Phytophthora infestans)(32)番茄叶霉,Passalora fulva(33)番茄Septoria叶斑病,Septoria lycopersici(34)番茄两个斑点蜘蛛螨,Tetranychus urticae( 35)番茄靶点,Corynespora cassiicola(36)番茄花叶病毒(37)番茄黄叶卷毛病毒(38)番茄健康。

图2.在各种实验配置中使用的来自PlantVillage数据集的三个不同版本的样本图像。 (A)叶子1颜色,(B)叶子1灰度,(C)叶子1分割,(D)叶子2颜色,(E)叶子2灰度,(F)叶子2分割。

图3.在所有实验中,经过30个训练周期的平均F1得分和损失的进展,按实验配置参数分组。在具有特定配置的所有实验中,特定类别在任何点的强度与所有不确定性成正比。 (A)按深度学习架构分组的所有实验的平均F1分数进度的比较,(B)按训练机制分组的所有实验的所有F1分数平均进度的比较,(C)火车失速和所有实验的测试损失,(D)所有实验的平均F1得分进展的比较,按训练测试集划分分组,(E)所有实验的平均F1得分进展的比较,按数据集类型分组。可以在补充材料中找到所有实验配置中所有观察结果的相似图。

Table 1. Mean F*1* score across various experimental configurations at the end of 30 epochs.

图4. AlexNet体系结构初始层中激活的可视化,表明该模型已学会有效地针对示例叶子上的患病点进行激活。 (A)从Bing Image于2016年4月4日搜索关键字“ Apple Cedar Rust Leaves”返回的前20张图像中,选取了遭受Apple Cedar Rust侵害的叶子的示例图像。图片参考:Clemson University-USDA Cooperative Extension幻灯片系列,布格伍德。 org。 (B)在面板b中所示的图像上进行正向传递时,使用AlexNet:Color:TrainFromScratch:80-20训练的AlexNet架构的第一卷积层(conv1)中的激活可视化。






https://blog.sciencenet.cn/blog-565558-1258122.html

上一篇:2020-11-09=Ebola=scRNASeq
下一篇:2020-11-17=Small RNA=Bacteria
收藏 IP: 113.108.133.*| 热度|

1 许培扬

该博文允许注册用户评论 请点击登录 评论 (0 个评论)

数据加载中...
扫一扫,分享此博文

全部作者的精选博文

Archiver|手机版|科学网 ( 京ICP备07017567号-12 )

GMT+8, 2024-3-28 22:17

Powered by ScienceNet.cn

Copyright © 2007- 中国科学报社

返回顶部