Plant Phenomics | 基于BarbNet模型對(duì)大麥芒（Awn）進(jìn)行圖像分析與表型鑒定

“芒”是禾谷類作物的一個(gè)重要表型，在漫長(zhǎng)的進(jìn)化史中自然進(jìn)化而成。一般來(lái)說(shuō)，“芒”有許多重要功能，如機(jī)械保護(hù)、種子傳播及促進(jìn)作物光合作用等。大多數(shù)“芒”的一個(gè)重要特征是表面具有微小倒鉤狀單細(xì)胞毛狀體。芒上的倒鉤的密度和大小因物種和栽培品種而異。在生產(chǎn)大麥時(shí)，這種半透明毛狀體的存在會(huì)降低大麥產(chǎn)量。由于芒上的倒鉤圖像空間分辨率有限、對(duì)比度低且變化大，精確分割像微小物體這樣的倒鉤是一項(xiàng)關(guān)鍵且具有挑戰(zhàn)性的任務(wù)，目前還沒有合適的工具適用于麥芒圖像的精確倒鉤分割。
 

2023年7月，Plant Phenomics在線發(fā)表了Leibniz Institute for Plant Genetics and Crop Plant Research等單位題為Awn Image Analysis and Phenotyping Using BarbNet 的研究論文。
 

本研究提出了一種用于自動(dòng)檢測(cè)和表型分析大麥芒顯微圖像中的倒鉤軟件工具，該工具基于深度學(xué)習(xí)、卷積神經(jīng)網(wǎng)絡(luò)(CNN)的方法來(lái)分割大麥品種微觀圖像中的倒鉤的深度學(xué)習(xí)模型BarbNet，能夠檢測(cè)不同的倒鉤結(jié)構(gòu)（平均準(zhǔn)確率為90%）。此外，通過(guò)對(duì)所有不同表型類別進(jìn)行無(wú)偏分類來(lái)實(shí)現(xiàn)高通量篩選，評(píng)估了不同的大麥芒成像技術(shù)來(lái)測(cè)量倒鉤結(jié)構(gòu)和密度，BarbNet分割圖像的表型性狀能夠?qū)?種芒的表型進(jìn)行相當(dāng)穩(wěn)健的分類（準(zhǔn)確率為>85%）。
 

本文提出的模型網(wǎng)絡(luò)BarbNet是基于U-net分割模型的擴(kuò)展，通過(guò)兩者訓(xùn)練驗(yàn)證，評(píng)估比較，改進(jìn)的U-net模型（BarbNet）在全自動(dòng)分割不同大小，形狀和密度的倒鉤方面具有顯著的準(zhǔn)確性，為檢測(cè)大麥芒圖像中的倒鉤提供了一種有效的解決方案（準(zhǔn)確率為90%），模型BarbNet足夠穩(wěn)健，可以檢測(cè)不同大麥芒表型中的倒鉤。
 

圖1麥芒成像(A)從每株大麥的主穗中收集中央3個(gè)麥芒。將麥芒的中央和基部貼在成像載玻片上，并在數(shù)碼顯微鏡下生成顯微照片。(B)麥芒基部近軸側(cè)的代表性顯微照片。在2個(gè)粗糙度控制位點(diǎn)（“A”和“B”）的2個(gè)替代等位基因的所有可能的純合基因類別都顯示出不同的倒鉤密度和大小。
 

圖2在顯微鏡下捕獲的大麥芒圖像示例

(A)分辨率為1，200 × 1，600 的原始圖像。(B)由 ImageJ 生成的地面實(shí)況圖像示例。
 

圖3提出的用于大麥圖像倒鉤檢測(cè)的U-net架構(gòu)
 

圖4 使用 k 均值在 4 種不同的倒鉤分布（平滑、稀疏、中等和密集）上對(duì)表型性狀進(jìn)行聚類

(A)基底區(qū)域：計(jì)數(shù)與面積，平均F1得分：0.81。(B)中部區(qū)域：計(jì)數(shù)與面積，平均F1得分：0.86。(C)基底區(qū)域：計(jì)數(shù)與長(zhǎng)度，平均F1得分：0.81。(D)中部區(qū)域：計(jì)數(shù)與長(zhǎng)度，平均F1得分：0.88。這4個(gè)基因型聚集良好，在兩個(gè)表型性狀的麥芒中心區(qū)域F1評(píng)分為>85%。面積和長(zhǎng)度要素以像素為單位進(jìn)行測(cè)量。

論文鏈接：

https://doi.org/10.34133/plantphenomics.0081

——推薦閱讀——

Plant Phenomics 回看 | 植物表型性狀鑒定及其潛在應(yīng)用

Nondestructive 3D Image Analysis Pipeline to Extract Rice Grain Traits Using X-Ray Computed Tomography

https://doi.org/10.34133/2020/3414926

Plant Phenomics | 一種基于CT成像的水稻3D稻穗圖像分析和谷粒性狀無(wú)損測(cè)量技術(shù)

A Strategy for the Acquisition and Analysis of Image-Based Phenome in Rice during the Whole Growth Period

https://doi.org/10.34133/plantphenomics.0058

Plant Phenomics | 一種水稻全生育期表型圖像獲取和分析策略

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(huì)、專刊發(fā)布會(huì)等高質(zhì)量活動(dòng)。
 

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(guó)科學(xué)促進(jìn)會(huì)（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(diǎn)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(diǎn)。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(jī)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(shí)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(jì)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(kù)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(guó)科技期刊卓越行動(dòng)計(jì)劃高起點(diǎn)新刊項(xiàng)目。

說(shuō)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：趙慶澤（南京農(nóng)業(yè)大學(xué)）
審核：孔敏、王平