基于MASK-RCNN和无人机图像的油菜单株高度高通量表型分析


发布时间:

2024-01-17

来源:

作者:

株高是一项重要的农艺性状,结合搭载相机的无人机实现了高通量作物冠层高度估计。然而之前研究主要集中在群体高度的预测上,忽略了对单株植株的精确估计。本研究旨在利用无人机RGB图像探索基于掩模的卷积神经网络(MASK-RCNN)在油菜不同生育期单株高度(IH)高通量分析中的潜力。本试验数据来源于人工测量获得的150个子样地(每个子样地包括9个样地)的实测高度。

 

结果表明,在高、低杂草压力下,Mask-RCNN的F1分数分别提高了60.8%和26.6%,优于传统的OTSU方法。经过数据增强训练后的模型能够基于过曝光和欠曝光的无人机图像准确估计单株高度,表明该模型在实际生产环境中的适用性。单株高度预测的决定系数(R²)为0.992,均方根误差(RMSE)为4.03 cm,相对均方根误差(rRMSE)为7.68%,均优于先前报道的结果。该方法可预测油籽各生育期的IHs,R²为0.983,RMSE为2.60 cm,相对误差为7.14%。此外,该方法能够在293个遗传群体中进行全基因组关联研究(GWAS),结果显示在抽穗期和开花期分别鉴定出200个和65个具有统计学意义的snp,分别与28个和11个候选基因密切相关。

 

图1. 正交构建、作物表面模型提取、图像裁剪流程。

 

图2. 基于Mask-RCNN的实例分割方法体系结构。

 

图3. RGB图像、作物表面模型(CSM)和实例分割结果的数据融合工作流程。

 

图4. 低杂草压(a)和高杂草压(d)下的油菜原始图像,低杂草压(b)和高杂草压(e)下的OTSU背景去除结果,低杂草压(c)和高杂草压(f)下的Mask-RCNN背景去除结果图。

 

图5.  油菜在高杂草压力和高曝光下的原始图像(a)和背景去除结果(b)、在适当曝光的高杂草压力下的原始图像(c)和背景去除结果(d)以及在高杂草压力低曝光下的原始图像(e)和背景去除结果(f)的图像实例。

 

图6. 估算油菜苗期后期单株高度。(a)原始图像;(b) Mask-RCNN提取的单株分割标签,不同颜色表示不同单株;(c)无背景下单株高度估计,单位:cm;(d)原始图像上单株的高度估计,单位:cm;(e)实验2估计的单株高度与实际测量之间的关系,单位:cm。

 

图7. 试验2抽苔期和开花期株高的GWAS结果。曼哈顿图中的蓝线表示阈值线(-log10 P=5.5)。

 

 

表1.  OTSU和Mask-RCNN模型在测试集上的性能

 

表2. Mask-RCNN模型在测试集上不同曝光水平图像上的性能

 

表3. 基于单株高度的样地高度(PHH)与实测高度的关系及基于传统方法的样地高度(PHTM)与实测高度的关系

 

表4.  试验2估算单株高度与实测高度的关系

 

来 源

Shen, Y., Lu, X., Lyu, M. et al. High-throughput phenotyping of individual plant height in an oilseed rape population based on Mask-RCNN and UAV images. Precision Agric (2023). https://doi.org/10.1007/s11119-023-10095-9.

 

编辑

苦果

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。