在Google的 Colaboratory中使用深度学习分割土壤和植物X射线CT图像的工作流程


发布时间:

2022-04-13

来源:

本站

作者:

PhenoTrait

  X射线计算机断层扫描 (X-ray μCT) 能够从微米级尺度表征植物和土壤的特征和反应过程。尽管这种先进技术得到了广泛使用,但硬件和软件限制了图像处理和数据分析的速度和准确性。机器学习的最新进展,特别是卷积神经网络在图像分析中的应用,已经实现了图像数据的快速准确分割。然而,将卷积神经网络应用于环境和农业相关图像的分析仍然存在挑战。具体来说,构建这些AI/ML工具的计算机科学家和工程师与农业研究的潜在最终用户之间存在脱节,他们可能不确定如何在工作中应用这些工具。此外,训练和应用深度学习模型所需的计算资源比较特殊。为了应对这些挑战,作者开发了一个模块化工作流程,使用Google Colaboratory Web应用程序中的低成本资源将卷积神经网络应用于X-ray μCT图像。在本文中作者展示了工作流程的结果,说明了如何使用核桃叶、杏仁花蕾和土壤聚集体的扫描示例来优化参数以获得最佳结果。我们预计该框架将加速植物和土壤科学中新兴深度学习技术的采用和使用。

 

  图1从图像重建、图像注释、模型训练、模型使用和数据提取的分割工作流程示意图。 蓝色表示在检测站点完成的过程,绿色是在本地计算机上使用 ImageJ 或 CVAT 中的数据子集完成的过程,紫色表示在 Google 的 Colaboratory、高性能计算集群或本地完成的过程, 黄色表示可以使用用户选择的软件完成的过程,包括 Python、R 或 Matlab

 

  图2单个核桃叶图像的模型输出的可视化表示; 上图是从未用于训练或验证应用模型的叶子上拍摄的 X 射线 CT 扫描; 接下来是扫描的手动注释图像,然后是分别在 1、3 和 5 片叶子上训练的最佳性能模型的输出。 对于核桃叶分割,背景为浅灰色,表皮为深灰色,叶肉为黑色,气隙为白色,束鞘延伸部为中灰色,叶脉为最浅灰色。

 

  图3 (a) 单个核桃叶图像横截面的模型输出的可视化表示; 上图是从未用于训练或验证应用模型的叶子上拍摄的 X 射线 CT 扫描; 接下来是扫描的手动注释图像,然后是分别训练了 10、100 和 200 个 epoch 的最佳性能模型的输出。

 

  来源:Rippner, D. A., Raja, P., Earles, J. M., Buchko, A., Momayyezi, M., Duong, F., ... & McElrone, A. J. (2022). A workflow for segmenting soil and plant X-ray CT images with deep learning in Googles Colaboratory. arXiv preprint arXiv:2203.09674.

 

  编辑:婷婷

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。