利用分布式计算和深度学习的基于图像的植物表型分析


发布时间:

2020-10-27

来源:

植物表型资讯

作者:

PhenoTrait

在植物定量遗传学实验中,基于图像的高时间分辨率表型数据可以评估和分析基因型-表型关联的生长动力学,因此比终点测量更具优势。最近,基于网络的相机系统已经成为可定制的低成本表型解决方案。

 

表型系统的一般设置和实验设置的示意图

 

在这里,我们利用180个联网的树莓派单元,实现了一个基于分布式计算的大型自动化图像捕捉系统,可以同时检测1800株白三叶草(Trifolium repens)。结果证明,该相机系统性能稳定,180台相机的平均正常运行时间为96%。为了对捕获的图像进行分析,我们开发了Greenotyper图像分析管道。该方法对植物的定位精度为97.98%,基于U-net的植物分割算法的分割精度为0.84,像素精度为0.95。我们利用Greenotyper分析了总共355027张图像,这需要24-36小时。因此,使用大量静态照相机和植株进行自动表型分析是替代依赖传送带或移动相机系统的一种经济高效的选择。

 

(A)使用CPU与GPU的U-net的运行时间。 (B)随着图像数量的增加,阈值和U-net(GPU)的运行时间。

 

来自测试集的三个示例图像进行分割

 

来源:

Tausen M, Clausen M, Moeskjær S, et al. Greenotyper: Image-Based Plant Phenotyping Using Distributed Computing and Deep Learning. Front. Plant Sci., 07 August 2020 | https://doi.org/10.3389/fpls.2020.01181.

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。