Deep learning- and image processing-based methods for automatic estimation of leaf herbivore damage

IF 6.3 2区环境科学与生态学 Q1 ECOLOGY Methods in Ecology and Evolution Pub Date : 2024-02-27 DOI:10.1111/2041-210X.14293

Zihui Wang, Yuan Jiang, Abdoulaye Baniré Diallo, Steven W. Kembel

引用次数: 0

Abstract

Abstract Image

查看原文

微信好友朋友圈 QQ好友复制链接

本刊更多论文

基于深度学习和图像处理的叶片食草动物损害自动估算方法

在应用科学和基础科学中，量化叶片食草压力的强度对于理解植物与食草动物之间的相互作用至关重要。目测估算和数字分析常用于估算叶片食草动物的伤害，但这些方法耗时较长，限制了可收集的数据量，无法回答需要对食草动物压力进行大规模采样的全局性问题。深度学习的最新发展为自动收集各种来源的生态数据提供了潜在工具。然而，大多数应用都集中在识别和计数方面，缺乏用于定量估计叶片食草动物危害的深度学习工具。在这里，我们训练了生成式对抗网络（GANs）来预测受损叶片的完好状态，并应用图像处理技术来估算叶片受损的面积和百分比。我们首先介绍了收集叶片图像、训练 GAN 模型、预测完好叶片和计算叶片面积的程序，并提供了一个 Python 软件包，以便实际应用这些程序。然后，我们收集了一个大型叶片数据集来训练一个通用深度学习模型，并开发了一个在线应用程序 HerbiEstim，以便直接使用预训练模型来估算叶片的食草动物伤害。我们使用模拟和真实的叶片损伤数据对这些方法进行了测试。我们研究中提供的程序大大提高了叶片食草动物伤害估算的效率。测试表明，重建的受损叶片图像与地面实况图像的相似度高达 98.8%。叶片食草动物伤害估计的平均均方根误差为 1.6%，表现出较高的准确性，并且普遍适用于不同的植物类群和叶片形状。总之，我们的工作证明了应用深度学习技术量化叶片食草动物强度的可行性。使用 GANs 可以自动估算叶片损伤，这是该方法的一大优势。Python 软件包和带有预训练模型的在线应用程序将有助于使用我们的方法分析植物与食草动物相互作用的大型数据集。

本文章由计算机程序翻译，如有差异，请以英文原文为准。

求助全文

约1分钟内获得全文去求助

来源期刊

Methods in Ecology and Evolution ECOLOGY-

CiteScore

11.60

自引率

3.00%

发文量

236

审稿时长

4-8 weeks

期刊介绍： A British Ecological Society journal, Methods in Ecology and Evolution (MEE) promotes the development of new methods in ecology and evolution, and facilitates their dissemination and uptake by the research community. MEE brings together papers from previously disparate sub-disciplines to provide a single forum for tracking methodological developments in all areas. MEE publishes methodological papers in any area of ecology and evolution, including: -Phylogenetic analysis -Statistical methods -Conservation & management -Theoretical methods -Practical methods, including lab and field -This list is not exhaustive, and we welcome enquiries about possible submissions. Methods are defined in the widest terms and may be analytical, practical or conceptual. A primary aim of the journal is to maximise the uptake of techniques by the community. We recognise that a major stumbling block in the uptake and application of new methods is the accessibility of methods. For example, users may need computer code, example applications or demonstrations of methods.