識別田間條件下小麥的穗區域的表型分析方法
基于深度學習的識別田間條件下小麥的穗區域的表型分析方法 | Article
植物表型組學
2019年6月，Plant Phenomics刊發了由來自英國諾里奇研究所（Norwich Research Park）的Tahani Alkhudaydi等人撰寫的題為An exploration of deep-learning based phenotypic analysis to detect spike regions in field conditions for UK bread wheat的研究論文，介紹了基于深度學習的識別田間條件下英國面包小麥的穗區域的表型分析方法。英國諾里奇研究所/南京農業大學的周濟教授和英國諾里奇研究所的Beatriz de la Iglesia為本文通訊作者。
小麥是世界上的主要農作物之一，到2050年，全球小麥需求預計將達到8.5億噸，明顯超過目前的供應量。由于氣候條件波動，世界人口不斷增長，維持小麥產量的持續壓力要求育種家在不同環境中提高產量和產量穩定性。本文作者正努力將深度學習與基于田間的表型分析相結合，以協助育種家進行這項工作。
Wheat growth image series collected by CropQuant workstations, from 2015 growing season to 2017 growing season, ranging from booting to grain filling stages.
本研究利用了分布式表型分析工作站-CropQuant收集的小麥圖像，這些工作站用于不同的英國面包小麥品種的多年田間試驗。基于這些圖像系列，本文開發了一種基于深度學習的分析管道，用于復雜背景的穗區分割。
The training, validation, and testing strategy for developing Fully Convolutional Networks (FCN).
本文提出了一種有前景的方法作為田間關鍵產量性狀穩健性測定的第一步，其采用全卷積網絡（FCN）對圖像進行語義分割以分割小麥穗區域。本文還通過使用從其他圖像數據集獲得的參數來證明遷移學習的優勢。本文發現FCN架構在驗證數據上的平均分類準確度（MA）> 82％，在測試數據上> 76％，在驗證數據上平均交聯值（MIoU）> 73％，在測試數據集中> 64％。
通過這一表型組學研究，研究者相信其嘗試很可能在提取單位面積穗數和每穗小穗數等與產量相關的關鍵性狀方面奠定了良好的基礎，可為今后以產量為中心的小麥育種目標提供幫助。
在這項研究中，研究人員探索了一種結合深度學習和計算機視覺的方法，該方法通過基于像素的分割來識別小麥生長圖像上的小麥穗區域。該方法是使用Python和TensorFlow后端實現的，后者為研究人員建立FCN架構提供了框架。然后，研究人員將工作從訓練階段轉向最終的圖像級別的兩類預測。本研究的目標是獲得一個分類器，以便在不知道小麥穗的維度和空間特征時使用標準的深度學習方法分析小麥穗區域。為了滿足這一要求，研究人員建立了一個FCN模型，該模型用于分割連續三年獲得的不同天氣條件下小麥生長圖像系列中的穗區。所有圖像中的穗區都由專業人士使用標注工具在像素等級進行標注。模型性能在驗證數據集（2016年圖像集）和測試數據集（2017年圖像集）上得到了驗證。研究人員發現，無論是2016年（MA：82.13%）還是2017年（MA：76.0%），FCN都相對成功的檢測到穗區域。此外，當對尺寸較大的子圖像進行訓練時，FCN表現得更好。然后，研究人員通過加載從ImageNet中學習到的參數，應用遷移學習來提高FCN模型的性能，這對分割結果產生了積極的影響。
本研究的局限性可以概括為三點：（1）在識別孕穗期和抽穗期的穗區域時，該模型的準確率有限；這可能是由于缺乏這兩個階段的訓練數據造成的;（2）模型遇到了一些意想不到的背景對象，如草，這增加了假陽性率；同樣，研究人員相信更多的訓練數據或數據擴充可以解決這個問題；（3）由于嚴峻的光照和天氣條件，該模型在2017年的數據集中的表現相對較差。通過在訓練集中包含更多的歷史圖像或人工分類的圖像，以及探索其他深度學習分割架構(如DeepLap)和一些傳統的ML（機器語言）分割方法，研究人員或許能夠克服這些基于圖像的局限性。同時，研究者還將在多任務學習環境中嘗試進行其他的學習任務，以提高解決方案的可靠性。
How to Cite this Article
Tahani Alkhudaydi, Daniel Reynolds, Simon Griffiths, Ji Zhou, and Beatriz de la Iglesia, “An Exploration of Deep-Learning Based Phenotypic Analysis to Detect Spike Regions in Field Conditions for UK Bread Wheat,” Plant Phenomics, vol. 2019, Article ID 7368761, 17 pages, 2019. https://doi.org/10.34133/2019/7368761.
About Plant Phenomics
《植物表型組學》（Plant Phenomics）是由南京農業大學和美國科學促進會（AAAS）合作創辦的英文學術期刊，于2019年1月正式上線發行，是Science合作出版的第二本期刊。采用開放獲取形式，刊載植物表型組學交叉學科熱點領域具有突破性科研進展的原創性研究論文、綜述、數據集和觀點。具體范圍涵蓋高通量表型分析的最新技術，基于圖像分析和機器學習的表型分析研究，提取表型信息的新算法，作物栽培、植物育種和農業實踐中的表型組學新應用，與植物表型相結合的分子生物學、植物生理學、統計學、作物模型和其他組學研究，表型組學相關的植物生物學等。
翻譯：孫港
編輯：孔敏
審核：尹歡、陳文珠
植物表型組學
2019年6月，Plant Phenomics刊發了由來自英國諾里奇研究所（Norwich Research Park）的Tahani Alkhudaydi等人撰寫的題為An exploration of deep-learning based phenotypic analysis to detect spike regions in field conditions for UK bread wheat的研究論文，介紹了基于深度學習的識別田間條件下英國面包小麥的穗區域的表型分析方法。英國諾里奇研究所/南京農業大學的周濟教授和英國諾里奇研究所的Beatriz de la Iglesia為本文通訊作者。
小麥是世界上的主要農作物之一，到2050年，全球小麥需求預計將達到8.5億噸，明顯超過目前的供應量。由于氣候條件波動，世界人口不斷增長，維持小麥產量的持續壓力要求育種家在不同環境中提高產量和產量穩定性。本文作者正努力將深度學習與基于田間的表型分析相結合，以協助育種家進行這項工作。
Wheat growth image series collected by CropQuant workstations, from 2015 growing season to 2017 growing season, ranging from booting to grain filling stages.
本研究利用了分布式表型分析工作站-CropQuant收集的小麥圖像，這些工作站用于不同的英國面包小麥品種的多年田間試驗。基于這些圖像系列，本文開發了一種基于深度學習的分析管道，用于復雜背景的穗區分割。
The training, validation, and testing strategy for developing Fully Convolutional Networks (FCN).
本文提出了一種有前景的方法作為田間關鍵產量性狀穩健性測定的第一步，其采用全卷積網絡（FCN）對圖像進行語義分割以分割小麥穗區域。本文還通過使用從其他圖像數據集獲得的參數來證明遷移學習的優勢。本文發現FCN架構在驗證數據上的平均分類準確度（MA）> 82％，在測試數據上> 76％，在驗證數據上平均交聯值（MIoU）> 73％，在測試數據集中> 64％。
通過這一表型組學研究，研究者相信其嘗試很可能在提取單位面積穗數和每穗小穗數等與產量相關的關鍵性狀方面奠定了良好的基礎，可為今后以產量為中心的小麥育種目標提供幫助。
在這項研究中，研究人員探索了一種結合深度學習和計算機視覺的方法，該方法通過基于像素的分割來識別小麥生長圖像上的小麥穗區域。該方法是使用Python和TensorFlow后端實現的，后者為研究人員建立FCN架構提供了框架。然后，研究人員將工作從訓練階段轉向最終的圖像級別的兩類預測。本研究的目標是獲得一個分類器，以便在不知道小麥穗的維度和空間特征時使用標準的深度學習方法分析小麥穗區域。為了滿足這一要求，研究人員建立了一個FCN模型，該模型用于分割連續三年獲得的不同天氣條件下小麥生長圖像系列中的穗區。所有圖像中的穗區都由專業人士使用標注工具在像素等級進行標注。模型性能在驗證數據集（2016年圖像集）和測試數據集（2017年圖像集）上得到了驗證。研究人員發現，無論是2016年（MA：82.13%）還是2017年（MA：76.0%），FCN都相對成功的檢測到穗區域。此外，當對尺寸較大的子圖像進行訓練時，FCN表現得更好。然后，研究人員通過加載從ImageNet中學習到的參數，應用遷移學習來提高FCN模型的性能，這對分割結果產生了積極的影響。
本研究的局限性可以概括為三點：（1）在識別孕穗期和抽穗期的穗區域時，該模型的準確率有限；這可能是由于缺乏這兩個階段的訓練數據造成的;（2）模型遇到了一些意想不到的背景對象，如草，這增加了假陽性率；同樣，研究人員相信更多的訓練數據或數據擴充可以解決這個問題；（3）由于嚴峻的光照和天氣條件，該模型在2017年的數據集中的表現相對較差。通過在訓練集中包含更多的歷史圖像或人工分類的圖像，以及探索其他深度學習分割架構(如DeepLap)和一些傳統的ML（機器語言）分割方法，研究人員或許能夠克服這些基于圖像的局限性。同時，研究者還將在多任務學習環境中嘗試進行其他的學習任務，以提高解決方案的可靠性。
How to Cite this Article
Tahani Alkhudaydi, Daniel Reynolds, Simon Griffiths, Ji Zhou, and Beatriz de la Iglesia, “An Exploration of Deep-Learning Based Phenotypic Analysis to Detect Spike Regions in Field Conditions for UK Bread Wheat,” Plant Phenomics, vol. 2019, Article ID 7368761, 17 pages, 2019. https://doi.org/10.34133/2019/7368761.
About Plant Phenomics
《植物表型組學》（Plant Phenomics）是由南京農業大學和美國科學促進會（AAAS）合作創辦的英文學術期刊，于2019年1月正式上線發行，是Science合作出版的第二本期刊。采用開放獲取形式，刊載植物表型組學交叉學科熱點領域具有突破性科研進展的原創性研究論文、綜述、數據集和觀點。具體范圍涵蓋高通量表型分析的最新技術，基于圖像分析和機器學習的表型分析研究，提取表型信息的新算法，作物栽培、植物育種和農業實踐中的表型組學新應用，與植物表型相結合的分子生物學、植物生理學、統計學、作物模型和其他組學研究，表型組學相關的植物生物學等。
翻譯：孫港
編輯：孔敏
審核：尹歡、陳文珠
標簽：
植物表型
Copyright(C) 1998-2025 生物器材網 電話：021-64166852;13621656896 E-mail：info@bio-equip.com