基于深度学习和三目体视显微镜的白菜叶面刺毛高通量计数


发布时间:

2023-08-25

来源:

本站

作者:

PhenoTrait

白菜(Brassica campestris L. syn. B. rapa)是中国主要的叶菜类蔬菜之一,具有生长周期短、适应性强、生长速度快、营养丰富等优点。经过长期的人工驯化和选择,其形成了丰富的种质资源。在白菜种质评估鉴定过程中,很多数量性状由微效多基因控制,易受环境影响,需要进行多年多点的表型鉴定。例如,白菜叶面上的刺毛可以抵御病虫害侵染和增加表皮层厚度,有效减少热量和水分散失,提升抗草食性、抗虫性与抗逆性,是品种分类与改良的重要性状。全基因组关联分析是近年来兴起的遗传分析方法,能够高效地将表型和基因型进行关联从而搜寻相关性状候选基因,在白菜育种研究中的应用日益广泛。但相较于基因型研究的快速发展,目前量化刺毛密度的传统方法很大程度上依赖于目测和手动计数,同时缺乏量化刺毛多少的评估指标。随着深度学习的不断发展与突破,目标检测技术的精度和速度大幅提高,为识别叶面刺毛提供了方便、快捷且精确的有效措施与可行方案。

 

本文构建了首个白菜叶面刺毛图像数据集CCTD,并基于YOLOv8n改进设计了刺毛小目标检测模型TRI-YOLOv8。实验结果表明,该模型可精确检测图像模糊、叶面背景复杂下尺寸极小的刺毛,AP50 和AP@50:5:95分别高达94.4%和62.5%。通过构建刺毛性状鉴定指标并对322份不结球白菜种质资源的真实和模型预测刺毛密度分别进行全基因组关联分析,筛选出重合基因141个,充分验证了TRI-YOLOv8的可靠性和挖掘刺毛性状相关候选基因的可行性。最后,结合选择清除分析筛选出1个刺毛密度性状相关的候选基因BraA03g029740.3.5C(STP7)。本研究实现了刺毛的精准检测计数,为育种家数字化解析表型、自动化鉴定评估与筛选白菜种质资源提供了方案与依据。

 

图1白菜刺毛数据集、图像收集设备及图像目标检测难点

 

图2TRI-YOLOv8模型结构及优化模块

 

图3目标检测性能比较

 

图4 TRI-YOLOv8, YOLOv8n, YOLOv5n检测结果比较

 

图5全基因组关联分析与选择清除分析筛选白菜刺毛密度相关候选基因

 

来 源

Li, X., Chen, J., He, Y., Yang, G., Li, Z., Tao, Y., Li, Y., Li, Y., Huang, L., Feng, X., 2023. High-through counting of Chinese cabbage trichomes based on deep learning and trinocular stereo microscope. Computers and Electronics in Agriculture, 212, 108134.

 

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。