最近进行了一项具有突破性意义的研究，利用先进的成像和机器学习技术革新了对马铃薯块茎质量和疾病严重程度的评估。这一创新方法开发出了一个名为ScabyNet的易于使用的应用程序，展示了先进技术在农业领域的潜力。
该研究的主要目标是评估马铃薯块茎的各种形态特征，如长度、宽度、面积和颜色，以获得有关这些块茎在潜在市场使用中的质量的宝贵见解。此外，研究人员还旨在使用卷积神经网络（CNN）这种机器学习形式来检测和量化马铃薯块茎中普通疮痂（CS）的严重程度。最后，该研究还试图将这些功能整合到一个易于使用的应用程序中。
为了实现他们的目标，研究人员分别对来自挪威不同马铃薯基因型的总共7200个块茎进行了分析，这些块茎是使用佳能PowerShot G9 X Mark II相机拍摄的。随后，使用ScabyNet界面中的OpenCV和TensorFlow对这些图像进行了处理。该应用程序的图形用户界面（GUI）由两个主要模块组成：一个用于评估块茎形态特征，另一个用于评估由CS引起的损伤。
ScabyNet采用的图像处理流水线包括几个关键步骤，包括背景去除、颜色转换、目标识别和分割。为了确保准确性，研究人员使用了一种名为Trainable Weka分割（TWS）的机器学习工具，并进行了手动验证。ScabyNet的深度学习模块采用了多种架构，如VGG16、VGG19和ResNet50V2，以预测CS的严重程度。
此外，ScabyNet在L*a*b颜色空间提供了颜色分析，并利用了K-means颜色量化。单个图像结果显示在屏幕上，批量处理结果存储在指定文件夹中，并附带相关测量数据。本质上，这种突破性的方法为评估马铃薯块茎的质量和疾病严重程度建立了一个强有力的框架，从而有望使农业实践和市场分析更加有效。
通过整合先进的成像和机器学习等尖端技术，该研究证明了农业领域创新的巨大潜力。通过开发ScabyNet，农民和研究人员现在可以使用一个易于使用的工具准确评估马铃薯块茎的质量和严重程度，从而使农业实践和市场分析更加科学。
The source of the article is from the blog portaldoriograndense.com