Deep4Fusion:用于绿色和干物质产量性状高通量表型分析的DeepForage Fusion框架


发布时间:

2023-09-06

来源:

本站

作者:

PhenoTrait

牧草产量是牧草育种项目的主要目标之一,但传统的测量方法是手工和耗时的。高通量表型分析技术利用无人机搭载的传感器采集影像数据,结合深度学习算法进行特征提取和预测,可以提高测量的效率和准确性。深度学习方法已成为使用 RGB 图像进行高通量表型分析的基本方法之一。在这项研究中,我们不仅仅应用深度学习算法;也使用多视图融合方法改进深度学习模型。该方法动态合并来自两个深度学习模型的信息。并评估了这种方法对几内亚草(一种重要的热带牧草)地块的总干物质产量、叶片干物质产量和总绿物质产量的估计。提出的Deep4Fusion 融合网络,可以使用两种不同的深度学习模型,利用无人机搭载的RGB相机采集了330个不同基因型的牧草试验区域的影像数据,并使用六种现有的卷积神经网络(CNN)作为单视图深度学习模型进行特征提取和回归预测。然后,本文设计了一个多视图融合模型,将两个单视图模型的输出层进行连接和归一化,再通过全连接层和损失函数进行训练和优化。实验结果表明,与之前的标准模型相比,本文提出方法将性能提高了20%至33%,并且具有显着的改进(P值<0.05) 叶干物质和总干物质产量。多视图融合通过网络共享层合并多个 CNN 模型的预测灵活性有可能改善许多其他单视图深度学习方法的结果。

 

图1 多模式学习与多视角学习

 

图2多视角学习在牧草众多性状估计中的应用

 

图3 研究区域可视化

 

图4 总体技术路线

 

图5 Deep4Fusion多视图模型框架

 

图6 学习率区间测试

 

图7 对MAE结果进行的特定Tukey’s HSD测试的平均值和95%置信区间——TGMY

 

图8 对MAE结果进行的特定Tukey’s HSD测试的平均值和95%置信区间——LDMY

 

图9 对MAE结果进行的特定Tukey’s HSD测试的平均值和95%置信区间——TDMY

 

来 源

de Souza Rodrigues L, Caixeta Filho E, Sakiyama K, et al. Deep4Fusion: A Deep FORage Fusion framework for high-throughput phenotyping for green and dry matter yield traits[J]. Computers and Electronics in Agriculture, 2023, 211: 107957.

 

编辑

刘昕哲

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。