玉米穗軸是玉米產(chǎn)量的重要組成部分，在本地品種和現(xiàn)代品種中表現(xiàn)出高度的大小、形狀和顏色多樣性。該文章開發(fā)了一系列表型方法來實現(xiàn)高通量測量玉米穗軸的相關(guān)性狀。近年來，卷積神經(jīng)網(wǎng)絡(luò) (CNN) 等深度學(xué)習(xí)方法的快速發(fā)展，為高通量表型分析提供的新方法與思路。該文使用來自秘魯?shù)谋镜赜衩椎胤狡贩N制作了大型的多樣圖像數(shù)據(jù)集，并將基于深度學(xué)習(xí)的圖像分割方法與經(jīng)典的圖像處理方法進行了分析比較。
方法處理流程：
使用Mask R-CNN網(wǎng)絡(luò)分割出標尺的掩膜以及玉米穗軸的掩膜。通過圖像處理算法提取玉米穗軸的長度、直徑、平均 RGB 顏色以及形狀參數(shù)如橢圓度和不對稱性。并且通過測量單個標尺的輪廓，將以像素為單位的玉米穗軸長度和直徑測量值轉(zhuǎn)換為真實世界的厘米值。
三種圖像分析方法的比較表明，在一組不同的玉米穗軸圖像上訓(xùn)練的 Mask R-CNN 結(jié)果優(yōu)于Felzenszwalb-Huttenlocher 算法和基于窗口的 CNN 的經(jīng)典圖像分析算法，因為Mask R-CNN算法對圖像質(zhì)量沒有嚴苛的要求并且有著非常高的魯棒性能保證較好的分割精度(r=0.99)。并且作者將Mask R-CNN集成到一個高通量的處理流程之中，同時對圖像中的玉米穗軸以及標尺進行分割，對8個表型性狀進行自動定量分析，包括直徑、長度、橢圓度、不對稱度、長寬比和穗軸顏色通道R、G、B的平均值。統(tǒng)計分析確定了在該任務(wù)中可實現(xiàn)模型有效迭代的關(guān)鍵訓(xùn)練超參數(shù)。作者還發(fā)現(xiàn)，少量的10–20張圖像足以很好地訓(xùn)練Mask R-CNN模型，以處理不同的玉米穗軸圖像。
使用三種圖像分割方法（Felzenszwalb-Huttenlocher分割法、滑動窗CNN分割法、Mask R-CNN分割法）預(yù)測出來的玉米穗軸性狀與真實值的 Pearson 相關(guān)性。每個圖像的（x 軸）代表真實值，（y 軸）預(yù)測值。(a, c)展示的是玉米穗軸長度預(yù)測值和真實值的散點圖，(b, d) 展示的是玉米穗軸直徑預(yù)測值和真實值的散點圖。按數(shù)據(jù)集劃分的不同，分為 ImgOld 和 ImgNew兩種不同的預(yù)測情況。在所有情況下，Mask R-CNN的效果均優(yōu)于其他方法，相關(guān)性最低也是0.99。
SingleMask R-CNN 模型和相關(guān)的分析方法流程是在基因庫表型組學(xué)或植物育種等背景下可廣泛適用的玉米穗軸表型分析工具。
來源：Plant Methods.DeepCob: precise and high-throughput analysis of maize cob geometry using deep learning with an application in genebank phenomics.Lydia Kienbaum, Miguel Correa Abondano, Raul Blas & Karl Schmid
https://plantmethods.biomedcentral.com/articles/10.1186/s13007-021-00787-6
鄂公網(wǎng)安備42018502003245號 網(wǎng)站地圖
