基于ResNet CNN的高通量葡萄叶表皮毛自动量化方法-慧诺瑞德（北京）科技有限公司|叶绿素荧光|光合作用|植物表型

学术中心

全部分类

基于ResNet CNN的高通量葡萄叶表皮毛自动量化方法

发布时间：

2025-03-16

来源：

作者：

叶表皮绒毛是葡萄属的基本形态特征。葡萄藤叶远轴面上的高叶表皮毛密度通过排斥力影响叶片润湿性，从而防止诸如霜霉病、炭疽病的病原体侵袭。此外，叶表皮毛作为微小生物的栖息地可能会影响生物防治剂的有效作用面积。目前没有准确、有效的客观工具量化叶表皮毛密度。本研究基于葡萄单叶盘图像和卷积神经网络（Convolutional Neural Networks，CNN）开发并建立了一种检测和量化叶表皮毛的高通量分析工具。

作者利用最少数量的图像训练改进ResNet CNNs，用于有效分类叶表皮毛覆盖的区域。来自分离F1双亲群体的10120幅输入图像被用于评估算法性能。结果显示，该方法实现了95.41%的总体模型预测精度。与专家收集的真实数据相比，基于CNN的ResNet模型分类结果显示了0.98和0.92的R值以及8.20%和14.18%的均方根误差值。以上表明，模型性能与专家评估一致，并优于传统的人工评级。专家与非专家对六个品种的额外验证表明，非专家对该性状的评估具有偏见，绝对误差分别为0%至30%和-5%至-60%。

对叶表皮毛数量性状进行精确的表型分析是一项艰巨的任务。本研究提供了一个准确、可靠的量化叶表皮毛的自动化工具。本研究验证试验中，ResNet CNN模型减少了偏差并提高了量化的可靠性。作者认为，该工具可用于筛选种质资源库，并在生成QTL和GWAS研究中使用的表型数据方面发挥作用。作者强烈建议该工具用于葡萄属植物叶表皮毛的定量分析，包括抗病性、杀菌剂施用和昆虫多样性研究。综上，基于CNN的方法在未来或将成为世界范围内植物科学家不可或缺的工具，用于明显改善和加速目前对植物性状高通量分析方式。

图1. CNN图像准备。从一个叶盘（A）的图像开始。每个图像被分成四个相等的部分，一部分用于训练（实线部分），一部分（虚线部分）用于测试模型（B）。作为CNN模型训练的输入图像，提供了506个单独的图像切片（C）

图2. 两种ResNet CNNs模型架构。CNN1:背景和叶片。CNN2:没有表皮毛的叶片和有表皮毛的叶片

图3. CNN准确性。30个时期后，CNN1“背景”对“叶盘”(A)和CNN2“无毛叶”对“有毛叶”(B)的训练和验证准确度、训练和验证损失性能

图4. 专家验证vs. ResNet CNN。（A）两个专家切片分类之间的相关性（%）与叶盘图像的ResNet CNN评估（%）；（B）专家手动评级（%）与ResNet CNN评估（%）

图5. 专家与非专家的验证。（A）分别针对切片(%)和手动(%)评级的专家和（B）非专家的绝对误差估计。红色虚线(“0”)表示无错误线。实心圆表示评估者1，实心三角形表示评估者2

图6. 基于ResNet的叶表皮毛量化流程概述。最终输出是一个包含百分比值和切片图的表格。其中带有叶表皮毛的单个切片用红色标注。叶盘被毛覆盖的面积(%)；perc_nohair:叶盘未被毛覆盖的面积(%)

来源

Malagol, N., Rao, T., Werner, A. et al. A high-throughput ResNet CNN approach for automated grapevine leaf hair quantification. Sci Rep 15, 1590 （2025）. https://doi.org/10.1038/s41598-025-85336-0

编辑

JAYz

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。

视频展示