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.