使用卷积神经网络自动检测油棕气孔


发布时间:

2021-08-19

来源:

本站

作者:

PhenoTrait

气孔密度是耐旱油棕育种选择的重要性状,然而,它的测量却非常繁琐。为了加快这个过程,我们开发了一个自动化系统。

 

显示使用 MobileNetV127 作为主干的 SSD28 的图表

 

本研究收集了三个棕榈发育阶段具有代表性的气孔图

 

研究人员收集了从苗圃(1年)、幼年(2-3年)和成熟(>10年)的128棵棕榈树的叶片样本,建立油棕特定的气孔检测模型。首先,将显微图像分割成小块,然后通过转移学习训练气孔目标检测卷积神经网络模型。然后,在从幼树(A)、幼树(B)和多产成年树(C)的三个独立油棕种群采集的叶片样本上测试检测模型。以精度和召回率衡量的检测准确度,A 组为 98.00% 和 99.50%,B 组为 99.70% 和 97.65%,C 组为 99.55% 和 99.62%。接着,使用在不同显微镜和不同条件下(D)拍摄的气孔图像,将该检测模型交叉应用于另一组成年棕榈,其准确率和召回率分别为99.72%和96.88%。这表明所建立的模型具有很好的通用性,并且具有很高的可迁移性。随着该检测模型的完成,可以加快气孔密度的测量。这反过来将加速抗旱育种的选择。

 

测试集(A、B、C和D)的精度和召回箱线图

 

基于全显微图像的气孔检测

 

来源:

Kwong Q, Wong Y, Lee P, et al. Automated stomata detection in oil palm with convolutional neural network. Scientific Reports volume 11, Article number: 15210 (2021). https://doi.org/10.1038/s41598-021-94705-4.

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。