利用深度卷积神经网络提取大豆表型性状


发布时间:

2021-04-20

来源:

本站

作者:

PhenoTrait

近年来,人们建立了能够产生大量图像的高通量植物表型系统。为了对植物性状进行统计分析,必须进行图像处理。本文介绍了利用大豆图像中提取植物性状数据的过程。

 

内布拉斯加州大学林肯大学温室创新中心拍摄的处于不同生长阶段的大豆植物的RGB图像

 

面板(a)包含内布拉斯加州创新温室中大豆植物的RGB图像,而面板(b)是生成的二进制图像。

 

以VGG16模型及其卷积层中的参数作为模型的一部分,利用传递学习,对卷积神经网络(CNNs)进行训练,预测植物的高度、宽度和大小等测量值。实验结果表明,通过迁移学习,我们的CNNs可以用相对较少的训练数据从图像中进行高效、准确地提特征提取。该方法是植物表型组学领域的一种新方法,且展示了基于CNN的植物特征提取方法的优越性。

 

 

从HM测试图像中CNN预测的性状图

来源:

Adams J, Yumou Qiu Y, Luis Posadas L, et al. Phenotypic trait extraction of soybean plants using deep convolutional neural networks with transfer learning. Big Data and Information Analytics, 2021, 6: 26-40. doi: 10.3934/bdia.2021003.

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。