气孔密度是耐旱油棕育种选择的重要性状，然而，它的测量却非常繁琐。为了加快这个过程，我们开发了一个自动化系统。

显示使用 MobileNetV127 作为主干的 SSD28 的图表

本研究收集了三个棕榈发育阶段具有代表性的气孔图

研究人员收集了从苗圃(1年)、幼年(2-3年)和成熟(>10年)的128棵棕榈树的叶片样本，建立油棕特定的气孔检测模型。首先，将显微图像分割成小块，然后通过转移学习训练气孔目标检测卷积神经网络模型。然后，在从幼树(A)、幼树(B)和多产成年树(C)的三个独立油棕种群采集的叶片样本上测试检测模型。以精度和召回率衡量的检测准确度，A 组为 98.00% 和 99.50%，B 组为 99.70% 和 97.65%，C 组为 99.55% 和 99.62%。接着，使用在不同显微镜和不同条件下(D)拍摄的气孔图像，将该检测模型交叉应用于另一组成年棕榈，其准确率和召回率分别为99.72%和96.88%。这表明所建立的模型具有很好的通用性，并且具有很高的可迁移性。随着该检测模型的完成，可以加快气孔密度的测量。这反过来将加速抗旱育种的选择。

测试集(A、B、C和D)的精度和召回箱线图

基于全显微图像的气孔检测

来源：

Kwong Q, Wong Y, Lee P, et al. Automated stomata detection in oil palm with convolutional neural network. Scientific Reports volume 11, Article number: 15210 (2021). https://doi.org/10.1038/s41598-021-94705-4.