基于无人机图像的大豆成熟度高通量表型分析


发布时间:

2020-12-09

来源:

本站

作者:

PhenoTrait

成熟度是大豆新品种培育的重要性状,然而,基于视觉评分的大豆成熟度研究仍面临诸多挑战。有人提出可以利用无人机图像高通量表型分析代替传统视觉评估。然而缺乏从图像中提取所需信息的精确方法,仍然是一个重要瓶颈。本研究旨在开发一个基于图像的高通量表型分析系统,以评估育种计划中的大豆成熟度。

 

大豆育种田间试验(T4)的示例

 

单日期卷积神经网络架构的示意图

 

每周采集两次图像。开发了两个互补卷积神经网络(CNN)对大豆成熟期进行预测。第一种使用单一日期,第二种使用由第一种模型确定的五个最佳图像日期。提出的CNN架构通过五次试验中超过15000次的地面真实观测数据进行验证,其中包括来自三个生长季节和两个国家的数据。训练后的模型在五分之四的试验中显示出良好的泛化能力,均方根误差小于两天。四种估计预测不确定性的方法在识别成熟度预测中误差来源方面表现出了良好潜力。该体系结构解决了以往研究的局限性,可在商业育种项目中大规模应用。

 

多日期卷积神经网络体系结构的示意图

 

预测性能由均方根误差(RMSE)作为图像采集日期和地面真实成熟日期之间差异的函数来衡量

 

来源:

Trevisan R, Pérez O, Schmitz N, et al. High-Throughput Phenotyping of Soybean Maturity Using Time Series UAV Imagery and Convolutional Neural Networks. Remote Sens. 2020, 12(21), 3617; https://doi.org/10.3390/rs12213617.

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。