Plant Phenomics | 利用RGB圖像和反向傳播神經(jīng)網(wǎng)絡(luò)對橄欖果實關(guān)鍵品質(zhì)性狀進(jìn)行表型分析


 

橄欖油作為一種健康的抗氧化劑（如酚類化合物），導(dǎo)致橄欖作物在全球越來越流行。此外，酚類化合物（酚類）具有約50%的油抗氧化能力，有助于其隨著時間的推移保持穩(wěn)定。盡管酚類物質(zhì)有這些相關(guān)特征，但油的濃度（鮮重%）是作物經(jīng)濟效益的顯著質(zhì)量性狀。與此相反，要總結(jié)果實的內(nèi)在品質(zhì)，應(yīng)考季節(jié)變化對慮油和苯酚濃度的影響。與作物的人工管理模式相同，收獲時間會影響石油和苯酚的豐富程度，進(jìn)而影響產(chǎn)量質(zhì)量和作物的經(jīng)濟效益。植物表型組學(xué)是一種創(chuàng)新的、非侵入性的、基于圖像的技術(shù)，通過它可以識別植物特征并檢索它們對各種刺激的定量反應(yīng)。隨著成像技術(shù)應(yīng)用的增加，值得注意的是，它越來越多地與人工神經(jīng)網(wǎng)絡(luò)（ANNs）相結(jié)合，以提高對植物性狀的監(jiān)測的精度。
 

2023年6月， Plant Phenomics 在線發(fā)表了UNIVERSITÀ DEGLI STUDI DELLA BASILICATA 的 GIUSEPPE MONTANARO 等人題為 Phenotyping Key Fruit Quality Traits in Olive Using RGB Images and Back Propagation Neural Networks 的研究論文。
 

為了預(yù)測橄欖果實中的油和酚濃度，我們結(jié)合反向傳播神經(jīng)網(wǎng)絡(luò)（BPNN）和無接觸植物表型技術(shù)來檢索基于RGB圖像的油和酚濃度。連續(xù)兩年每間隔10天采集三種不同成熟時間的橄欖品種的果實，拍照并分析酚和油濃度。在此之前，對水果樣本進(jìn)行拍照，并對圖像進(jìn)行分割，提取紅色(R)、綠色(G)和藍(lán)色（B），以35個基于RGB的比色指標(biāo)重新排列圖像的平均像素值。利用原始的35個RGB指數(shù)，設(shè)計了3個BPNNs作為輸入變量(a)，(b)進(jìn)行主成分分析（PCA）預(yù)處理后的主成分得分，(c)進(jìn)行稀疏PCA后RGB指數(shù)的數(shù)量減少。結(jié)果表明，所有BPNN的R2平均值最高，分別為0.87~0.95（油）和0.81~0.90（酚類）。除了R2之外，還計算了均方根誤差RMSE和平均絕對誤差MAE，并將其合并為一般性能指標(biāo)GPI。GPI的排序結(jié)果表明，可以為根據(jù)其成熟期分組的品種設(shè)計一個具有特定拓?fù)浣Y(jié)構(gòu)的BPNN。
 

本研究檢驗了一個假設(shè)，即油脂和苯酚濃度通過BPNN檢索整個季節(jié)橄欖果實的RGB圖像比色指數(shù)進(jìn)行預(yù)測。本研究表明，基于RGB的圖像表型可以有效預(yù)測橄欖果實的關(guān)鍵品質(zhì)性狀，支持?jǐn)?shù)字農(nóng)業(yè)領(lǐng)域的橄欖區(qū)發(fā)展。
 

圖1 成像、分割、水果質(zhì)量（油和總酚）的測定，以及通過反向傳播神經(jīng)網(wǎng)絡(luò)（BPNN）建模的實驗設(shè)計流程圖。分割后，將感興趣區(qū)域（ROI）分割成R、G、B通道（灰度），并測量每個通道中ROI的光強分布的平均值。BPNNs的輸入（紅色文本）是基于RGB的比色索引（BPNN），由PCA（PCA_BPNN）產(chǎn)生的PC1和PC2的分?jǐn)?shù)，以及在稀疏PCA（SPCA_BPNN）之后選擇的具有非零負(fù)載（NNZL）的RGB索引。PC數(shù)(2)和原始RGB索引輸入遺傳算法（GA），以確定非零負(fù)荷（NNZL）的特征數(shù)，作為稀疏PCA的輸入?yún)��?shù)；紅星表示未用于SPCA_BPNN的索引，因為在稀疏PCA之后，它們的加載量為0
 

圖2通過不同BPNN模型計算的（A、C和E）油和（B、D和F）苯酚濃度的殘差值（抖動點）的分布，水平虛線表示0

論文鏈接：

https://spj.science.org/doi/10.34133/plantphenomics.0061

——推薦閱讀——

Analyzing Changes in Maize Leaves Orientation due to GxExM Using an Automatic Method from RGB Images

https://doi/10.34133/plantphenomics.0046

Plant Phenomics | 基于RGB圖像的基因型×環(huán)境型×管理相互作用下的玉米葉片方向變化分析

Predicting and Visualizing Citrus Colour Transformation Using a Deep Mask-Guided Generative Network

‍https://spj.science.org/doi/10.34133/plantphenomics.0057

Plant Phenomics | 基于生成式深度學(xué)習(xí)網(wǎng)絡(luò)的柑橘表皮顏色可視化預(yù)測研究

加入作者交流群

掃碼添加小編微信，拉您進(jìn)入《植物表型組學(xué)》作者交流群，群內(nèi)不定期開展作者分享會、專刊發(fā)布會等高質(zhì)量活動。

添加小編微信，備注姓名+單位+PP，加入作者交流群

About Plant Phenomics

《植物表型組學(xué)》（Plant Phenomics）是由南京農(nóng)業(yè)大學(xué)和美國科學(xué)促進(jìn)會（AAAS）合作創(chuàng)辦的英文學(xué)術(shù)期刊，于2019年1月正式上線發(fā)行。采用開放獲取形式，刊載植物表型組學(xué)交叉學(xué)科熱點領(lǐng)域具有突破性科研進(jìn)展的原創(chuàng)性研究論文、綜述、數(shù)據(jù)集和觀點。具體范圍涵蓋高通量表型分析的最新技術(shù)，基于圖像分析和機器學(xué)習(xí)的表型分析研究，提取表型信息的新算法，作物栽培、植物育種和農(nóng)業(yè)實踐中的表型組學(xué)新應(yīng)用，與植物表型相結(jié)合的分子生物學(xué)、植物生理學(xué)、統(tǒng)計學(xué)、作物模型和其他組學(xué)研究，表型組學(xué)相關(guān)的植物生物學(xué)等。期刊已被DOAJ、Scopus、PMC、EI和SCIE等數(shù)據(jù)庫收錄。科睿唯安JCR2022影響因子為6.5，位于農(nóng)藝學(xué)、植物科學(xué)、遙感一區(qū)。中科院農(nóng)藝學(xué)、植物科學(xué)一區(qū)，遙感二區(qū)，生物大類一區(qū)（TOP期刊）。2020年入選中國科技期刊卓越行動計劃高起點新刊項目。

說明：本文由《植物表型組學(xué)》編輯部負(fù)責(zé)組稿。

中文內(nèi)容僅供參考，一切內(nèi)容以英文原版為準(zhǔn)。

排版：趙倩瑩（南京農(nóng)業(yè)大學(xué)）

審核：孔敏、王平