基于深度学习的时间序列数据预测植物生长


发布时间:

2021-02-28

来源:

本站

作者:

PhenoTrait

表型分析涉及植物解剖、生化和生理特性的定量评估。植物漫长的自然生长周期阻碍了植物表型实验的进展。深度学习可以为自动化和解决关键的植物表型研究问题提供极大支持。基于机器学习的高通量表型技术是解决表型瓶颈的一种有效方法,有望缩短表型研究的实验周期。本文通过对根和芽系统进行分割,研究了利用深层网络进行植物生长预测的潜力。

 

地面真叶图像的注释示例

 

预测帧与其处理后的图像之间的比较

 

研究人员将现有的生成性对抗预测网络应用到这个新领域。结果表明,基于植物生长的时间序列数据,一个有效的植物叶片和根系分割网络可以对未来一段时间内的叶片和根系进行预测性分割。并且本文给出了拟南芥(A.thaliana)和油菜(Komatsuna)两个公共数据集的基准结果。本文提出的方法性能强大,具有可以媲美人类专家标注的能力,对不同的植物种类和变异适应性和可训练性都很强。

 

线图显示了每个时间步骤的评估指标结果

 

框架与其处理后的图像之间的比较

 

来源:

Yasrab R, Zhang J, Smyth P. Predicting Plant Growth from Time-Series Data Using Deep Learning. Remote Sens. 2021, 13(3), 331; https://doi.org/10.3390/rs13030331.

 

推荐新闻

石时之约|韩志国:透过表型数据,看见植物的喜怒哀乐!

本期石时之约,我们将对话慧诺瑞德(北京)科技有限公司总经理、国际植物表型学会(IPPN)执委会委员/工业分会副主席韩志国,一起从表型数据的科学角度,去读懂农作物的喜怒哀乐和前世今生。

慧科研、慧育种、慧种田——慧聚改变的力量

让我们“慧聚”在一起,为“慧科研、慧育种、慧种田”赋能。

高通量植物表型平台建设注意事项

育种,是在给定的环境条件下,选择各种表型指标(产量、品质、抗性)最优的基因型材料的过程(AI育种,从这里起步)。育种工作中大约70%的工作量来自表型观察测量和筛选,是最耗人力物力的过程。

作物生理表型测量基础原理

生理表型测量的核心在于“早、快”,要在肉眼可见之前就能测量并预判出变化趋势,才是这个技术的核心价值。叶绿素荧光成像,恰好满足了这个要求。