DOI QR코드

DOI QR Code

Deep Learning-based Rice Seed Segmentation for Phynotyping

표현체 연구를 위한 심화학습 기반 벼 종자 분할

  • 정유석 (군산대학교 컴퓨터정보공학과) ;
  • 이홍로 (군산대학교 컴퓨터정보공학과) ;
  • 백정호 (농촌진흥청 국립농업과학원) ;
  • 김경환 (농촌진흥청 국립농업과학원) ;
  • 정용석 (제주대학교 식물자원환경전공) ;
  • 이창우 (군산대학교 컴퓨터정보공학과)
  • Received : 2020.09.18
  • Accepted : 2020.10.12
  • Published : 2020.10.31

Abstract

The National Institute of Agricultural Sciences of the Rural Developement Administration (NAS, RDA) is conducting various studies on various crops, such as monitoring the cultivation environment and analyzing harvested seeds for high-throughput phenotyping. In this paper, we propose a deep learning-based rice seed segmentation method to analyze the seeds of various crops owned by the NAS. Using Mask-RCNN deep learning model, we perform the rice seed segmentation from manually taken images under specific environment (constant lighting, white background) for analyzing the seed characteristics. For this purpose, we perform the parameter tuning process of the Mask-RCNN model. By the proposed method, the results of the test on seed object detection showed that the accuracy was 82% for rice stem image and 97% for rice grain image, respectively. As a future study, we are planning to researches of more reliable seeds extraction from cluttered seed images by a deep learning-based approach and selection of high-throughput phenotype through precise data analysis such as length, width, and thickness from the detected seed objects.

농업진흥청 국립농업과학원에서는 다양한 종류의 농작물에 대해 우량 종자 확보를 위한 생육환경 모니터링 및 수확된 종자의 분석과 같은 다양한 연구를 진행하고 있다. 본 논문에서는 농업진흥청에서 보유하고 있는 다양한 종류의 농작물 씨앗을 분석하기 위해 종자 객체 검출 방법을 제안한다. 제안된 방법은 Mask-RCNN을 이용한 전이학습을 수행하며 주어진 특정 환경 (일정한 조도, 흰색 배경)에서 촬영한 입력 영상을 종자 객체 인식을 위한 적절한 매개 변수 적합 (Tuning) 과정 및 영상 분할 작업을 진행한다. 제안된 방법으로 종자 객체 검출에 대한 실험결과로 벼 이삭 영상의 경우 82%와 단순한 볍씨 영상의 경우 97%의 정확도로 벼 낱알을 검출하였다. 향후 연구로 복잡한 상황의 종자 영상 분할을 위한 심화학습 기반의 접근법 및 검출된 종자 객체로부터 길이, 폭, 두께와 같은 정밀한 데이터 분석을 통하여 우량 종자 연구를 계획하고 있다.

Keywords

References

  1. Baek, J., Lee, E., Kim, N., Kim, S. L., Choi, I., Ji, H., Chung, Y. S., Choi, Moon, M., J., and Kim, K. (2020). High Throughput Phenotyping for Various Traits on Soybean Seeds using Image Analysis, Sensors 20: 248, Doi:10.3390/s20010248
  2. Dai, J., Li, Y., He, K., and Sun, J. (2016). R-FCN: Object Detection via Region-based Fully Convolutional Networks, Neural Information Processing Systems, 379-387.
  3. Dutta, A., and Zisserman, A. (2019). The VIA Annotation Software for Image, Audio and Video, International Conference on Multimedia, 2276-2279.
  4. Genetic Resources Management System (GMS). (2020). Preservation Status of Agricultural Genetic Resources, http://genebank.rda.go.kr/farmService/introPreserv.do (Accessed on Aug, 12th, 2020).
  5. He, K., Gkioxari, G., Doll'ar, P., and Girshick, R. (2017). Mask R-CNN, IEEE International Conference on Computer Vision (ICCV) , DOI: https://doi.org/10.1109/ICCV.2017.322.
  6. Hosang, J., Benenson, R., Dollar, P., and Schiele, B. (2015). What Makes for Effective Detection Proposals?, IEEE Transactions on Pattern Analysis and Machine Intelligence, 814-830.
  7. Kim, W. S., Kim, H. T., Park, K. Y., Kim, S. G., and Song, D .Y. (2012). Relationship between Seed Coat Structure and Seed Vigor in Soybean, Korea Soybean Digest, 29(1), 1-5.
  8. Lee, S. (2020). An Image Analysis-based Study of Soybean Seed Expressions, News of the Korea Soybean Society, 348(0), 5-7.
  9. Lin, T.-Y., Dollar, P., Girshick, R., He, K., Hariharan, B., and Belongie, S. (2017). Feature Pyramid Networks for Object Detection, IEEE Conference on Computer Vision and Pattern Recognition, 21-26.
  10. Ren, S., He, K., Girshick, R., and Sun, J. (2017). Faster R-CNN: Towards Real-time Object Detection with Region Proposal Networks, IEEE Transactions on Pattern Analysis and Machine Intelligence, 1137-1149. https://doi.org/10.1109/TPAMI.2016.2577031
  11. Toda, Y., Okura, F., Ito, J., Okada, S., Kinoshita, T., Tsuji, H., and Saisho, D. (2020). Training Instance Segmentation Neural Network with Synthetic Datasets for Crop Seed Phenotyping, Nature, Communications Biology 3, DOI:https://doi.org/10.1038/s42003-020-0905-5.

Cited by

  1. 마이크로스코프 이미지의 딥러닝 기반 이상검출 vol.26, pp.2, 2021, https://doi.org/10.9723/jksiis.2021.26.2.001