L-system在基于图像的表型组学中的应用:以玉米和油菜研究为例


发布时间:

2022-02-09

来源:

本站

作者:

PhenoTrait

  人工神经网络(Artificial neural networks, ANN)可用于识别和量化植物表型信息,在基于图像的表型组学研究中应用广泛。然而,训练神经网络往往需要大量带标记的影像,这些影像的获取相对简单,但使用人工的方法对影像进行标记则需要耗费大量时间。相比之下,真实植物模型(Realistic plant model)可以实现影像的自动标记,在以模型训练为目的的影像标记中展现出极大的应用潜力。本研究以玉米和油菜为例,探索如何快速构建和校准此类模型。

 

  本研究基于L-system,提出了一种交互式方法,用于构建和校准植物生长模型。本研究提出的方法主要包括以下关键要素:

 

  (1) 建模过程分为两个阶段:(i)构建 L-system模型,捕捉构成植株的基本要素;(ii)利用真实植株影像校准模型(图1和图2)。

 

  (2) 为了便于校准,L-system模型是围绕位置信息组织的,也就是说,分枝、叶片和生殖器官分布等植株形态的关键参数被表达为直观且易于在支撑轴上操作的位置函数。而植株生长过程则被表达为位置函数和时间函数的乘积(图3和图4)。

 

  (3) 利用模型组件之间的相似性和异速性关系,减少了需要独立校准的函数数量。这些特性均由数值参数控制。

 

  (4) 模型的量化方面使用图形定义函数、轮廓和时间线编辑器以及根据模型结构配置的控制面板进行操作。选择函数和生成的模型被叠加在参考影像上,可以更方便地进行视觉校准。同时,参数和函数的所有更改都会立即反映在显示的模型中,以提供即时的视觉反馈。

 

  (5) 通过随机化模型参数,可以生成几乎无限数量的植株生长变化图像,这些生成的图像基于底层 3D 模型,因此它们可以自动标注出任何感兴趣的特征,其中也包括那些在实际中难以测量的特征,例如单个节间的长度,以及分枝和叶序(分布)角度。

 

  因此,本研究提出的方法可以实现影像的自动标记,大大提高了影像标记效率。除了可以为训练神经网络提供样本数据之外,本研究提出的影像标记方法还可以用于获取植株的结构参数,有利于从不同角度描述植株的表型信息。

 

  图1 玉米模型视觉校准的(A)初始阶段和(B)校准结果,(C)、(D)、(E)和(F)分别为控制节点长度、节点宽度、叶片长度和插入叶片角度的函数图

 

  图2 油菜模型的校准过程。(A-D)为油菜植株模拟窗口,D为最终的校准结果,E为参数编辑窗口,(F-I)为函数控制窗口

 

  图3 玉米动态生长模型的校准。

 

  图4 油菜动态生长模型的校准。

 

  来源:Mikolaj Cieslak, Nazifa Khan, Pascal Ferraro, et al. L-system models for image-based phenomics: case studies of maize and canola. in silico Plants, 2021.

 

  编辑:段博

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。