深度学习:高通量植物表型分析的新前沿


发布时间:

2022-04-06

来源:

本站

作者:

PhenoTrait

  随着气候变化和人口增长,新品种的开发步伐亟需加快,以便到2050年养活100亿人口。使用基于先进成像技术的无损高通量植物表型(HTP)有助于提高品种开发能力。传感器辅助的HTP产生的大量数据在下游数据分析流程中产生了较多问题。在高维数据上通过多个隐藏层进行函数逼近而实现更高层次的抽象使得深度学习(DL)在HTP中的应用受到极大关注。应用DL模型来提高基于图像的表型分析通量是植物表型组学研究中的一个新兴领域。在这篇综述中,我们重点介绍了DL在HTP领域应用的最新发展。相较于机器学习和传统的计算机视觉算法,我们描述了DL的原理和背景,并探讨了新颖的DL应用领域。提供建议的目的是选择最合适的模型和训练策略以获取和预测基于传感器的表型特征,它还包括开发和部署用于多任务表型模型的步骤和建议。进一步确定并报告了公共数据集,可用于模型训练和测试。总的来说,本研究对DL、DL在植物表型组学中的应用以及潜在的障碍和改进范围提供了一个全面的概述。

 

  图1 DL在植物表型各领域的应用示意图。应用领域包括:图像重建、基因型分类、植物器官分类等。

 

  图2 DL网络的网络架构包括:A:深度神经网络具有输入层、多个隐藏层和最终输出层。每层由多个神经元组成,这些神经元与后续层的神经元相互连接,从而形成一个深度网络;B:卷积神经网络的通道,由卷积层、最大池化层、扁平层、稠密层和输出层组成。

 

  图3 DL在植物表型高通量分析中的应用。步骤A:数据收集、标记和整理,数据包括RGB、高光谱、多光谱、近红外、荧光和激光雷达传感器数据;步骤B:模型的选择和适当的优化算法,以便更快、更方便的进行模型训练。在迭代过程中为特定的任务应用开发合适的模型。后面的箭头代表调整模型选择、体系结构和参数以提高准确性;步骤C:用于推断使用传感器获得的新表型数据,后面箭头表示模型训练过程的迭代性,因为模型不是在一天内开发的,但它需要在模型超参数中进行更精细的调整,以实现更好的准确性,从而更好地反映性能指标,如 MSE、RMSE、F1 分数、精度和召回率;步骤D:推断结果要经过各种数据分析技术,如GWAS、QTL图谱、广义遗传率等。通过这种方式,取代了传统的基于人工的植物表型分析,基于深度学习的应用已经被精简,并非常深入地整合到工作流程中,以提高整个高通量表型,这最终有助于将大量的表型数据转化为用于作物改良的信息性表型数据。

 

  DL已经扩展到植物表型的各个领域,解决了大多数基于计算机视觉的植物表型问题,而这些问题在几年前是难以实现的。它在多维数据(图像和多个传感器数据)上的准确性和实用性促使基于DL的HTP研究激增,以从大数据中获取有用信息。在本文中,我们不仅确定了DL在植物表型中的应用,还阐明了与DL模型相关和原理和独特的结构特征,并进一步为有关HTP中特定任务应用的DL模型选择标准提供了建议。我们建议使用最新的模型,如F-RCNN over RCNN、ResNet over VGG以及HsCNN+over HsCNN,以便从模型架构的最新开发中获益。此外,数据集的采集方式也应考虑到环境的变化。这种模式的转变使得成像和多传感器技术更具包容性,以实现摆脱数据分析瓶颈的最终目标。还需要进一步探索从多个传感器(RGB、高光谱和热成像仪等)获取的多维数据以及在各种表型平台(无人机或温室表型设施)上实时获得的基于DL的产量、生物量和理化参数预测的应用。在DL驱动的计算机视觉、GPU计算、大数据和植物表型方面的同步发展,使其成为实现植物表型高通量分析的重要解决方案。

 

  来源:Jayapal P K, Park E, Faqeerzada M A, et al. Analysis of RGB Plant Images to Identify Root Rot Disease in Korean Ginseng Plants Using Deep Learning[J]. Applied Sciences, 2022, 12(5): 2489.https://doi.org/10.3390/app12052489

  

  编辑:小王博士在努力

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。