TrichomeYOLO:玉米毛状体自动计数的神经网络


发布时间:

2023-02-26

来源:

植物表型资讯

作者:

PhenoTrait

植物毛状体是一种表皮结构,在植物发育和胁迫反应中具有多种功能。目前繁琐耗时的人工分型过程极大地限制了毛状体基因克隆的研究进展,因此迫切需要一种高通量、准确的表型方法来量化植物毛状体的密度和特征。本文介绍了一种基于深度卷积神经网络的自动毛状体计数和测量方法-TrichomeYOLO。该网络对玉米叶片扫描电镜图像的识别准确率达到92.1%,远远优于目前其他5种主流目标检测模型(Faster RCNN、YOLO v3、YOLO v5、DETR和Cascade R-CNN)。
 
本试验以370个自交系作为用于扫描毛状体变异的试验材料,收集吐丝期每穗以上的叶片。图1显示了详细的图像采集过程为了进一步评估TrichomeYOLO的性能。每种都在相同的图像数据集上进行训练。不同模型的图像输入大小、MAP、处理速度和参数等指标如表1所示。在相同图像(输入大小相同)上检测时,TrichomeYOLO模型的准确率最高,达到92.1%。表1是对6种算法准确性的进一步评估结果,相关性分别为0.92、0.83、0.82、0.86、0.89和0.83(图3E)。检测结果如图4B所示,并用目标丢失率、平均查准率(MAP)和召回率(Recall)来评价模型的性能。平均查准率和召回率分别为92.1%和93.2%(图4C)。此外TrichomeYOLO自动计数与人工计数的相关系数(R2)和平均绝对百分比误差(MAPE)的平方分别为0.98和4.25%(图4D)。图4A显示了使用不同亮度下的图像的真实毛状体数量和自动计数的皮尔逊相关系数,用来测试TrichomeYOLO的稳健性。人工计数毛状体数和自动计数毛状体数的皮尔逊相关系数分别为0.97、0.90和0.95,其中高密度(每幅图像的毛丝数:20~46)、中等(每幅图像的毛丝数:10~19)和低密度(每幅图像的毛丝数:1~9)的皮尔逊相关系数分别为0.97、0.90和0.95(图4F)。
 
毛状体的长度因样品不同而不同(图5A,B)。不同密度下毛状体长度的差异如图5C所示。低密度表皮毛(Q1:毛丝数最低分位数)的平均长度为0.803 mm,略短于高密度表皮毛(0.819 mm,Q4:毛丝数最高分位,p值=0.017)。不同样品间的变异系数(CV)变化范围为0~0.642,平均为0.112。测试的样本中有95%的变异系数小于0.216(图5D)。表明本文方法具有良好的代表性。
 

图1. 图像采集过程。A.样品准备。B.从新鲜叶尖约10厘米处取样进行显微摄影。C.样品放在样品架上,不进行固定或样品预处理。D.对于每个样本,至少取五个视场进行多场缩微摄影。E.样品盒放入扫描电镜。F.准备图像采集。

 

图2. TrichomeYOLO神经网络的结构

 

表1. TrichomeYOLO算法与五种主流算法的比较。

 

图3. TrichomeYOLO评价结果。(A)原始图像。(B)TrichomeYOLO的毛状体检测。(C)以目标丢失、平均精确度和召回率衡量的TrichomeYOLO的准确性。(D)自动计数与人工计数Trichome编号的散点图。颜色的阴影表示点密度的级别。深紫色表示点的密度较高,浅紫色表示较低的密度。(E)使用不同模型的自动计数与人工计数Trichome编号的散点图。不同的颜色代表不同的型号。

 

图4. TrichomeYOLO的稳健性。(A)使用TrichomeYOLO自动计数与使用相同图像、不同亮度的人工计数毛状体编号的散点图。原始:输入图像亮度正常;亮:手动将图像亮度加倍;暗:手动将图像亮度减半。原始图像具有低(B)或高(D)密度毛状体。TrichomeYOLO检测结果为低(C)或高(E)密度。(F)使用不同模型的自动计数与人工计数Trichome编号的散点图。每个模型的皮尔逊相关系数和p值都是不同的颜色。

 

图5. 玉米毛状体长度结果。在不同的样品中检测到短(A)和长(B)毛状体。(C)毛状体长度与毛状体密度不同的箱型图。两组之间的数字是t检验的p值。(D)不同样品间的变异系数(CV)。(E)毛状体长度系数变异的累积频率。Q1~Q4代表毛状体密度的第一到第四分位数。

 

 

来 源

Lu, Yanli, Jie Xu, Jia Yao, Hang Zhai, Qimeng Li, Qi Xu, Ying Xiang, Yaxi Liu, Tianhong Liu, Huili Ma, Yan Mao, Fengkai Wu, Qingjun Wang, Xuanjun Feng, and Jiong Mu. "TrichomeYOLO: A Neural Network for Automatic Maize Trichome Counting." Plant Phenomics (2023): Plant Phenomics, 2023. Web.

 

编辑

青山

 

扩展阅读

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。