在全球范圍內,大豆不僅是蛋白質和油脂的重要來源,其產量的提升也一直是農業科研的重點領域。豆莢的數量和種子的計數是決定大豆產量的關鍵性狀。然而,在高通量精準表型分析方面,大豆育種面臨巨大挑戰:如何精確地識別和計數密集堆積且相互重疊的豆莢和種子。
2024年6月,Plant Phenomics 在線發表了之江實驗室題為DEKR-SPrior: An Efficient Bottom-Up Keypoint Detection Model for Accurate Pod Phenotyping in Soybean的論文。
近年來,人工智能技術,尤其是深度學習(DL)模型的快速發展,為作物性狀的高通量表型分析開辟了新的道路。但現有的DL模型在處理原位大豆植株中那些緊密排列、相互重疊的豆莢時,效果并不理想。為應對這一挑戰,本文開發了一種創新的自下而上的模型——DEKR-SPrior,專門用于大豆植株的原位豆莢表型分析。
本文特別針對大豆莢果和種子的表型特征,通過模擬人體關鍵點檢測的方法,將大豆莢果和種子分別視為人體的不同部位和關節,實現了對大豆莢果和種子的精準識別與計數。
圖1 豆莢的不同類型及定義。(A)一粒莢(B)二粒莢(C)三粒莢(D)四粒莢(E)五粒莢
文章的創新點:
(1)結構先驗模塊(SPrior):創新性的引入了結構先驗(structural prior,SPrior)模塊,通過余弦相似性增強了種子特征的區分度,顯著提高了模型對高度相似種子的識別能力。
(2)圖像處理技術:通過將全尺寸圖像裁剪成更小、更高分辨率的子圖像進行分析,進一步提升了莢果定位的準確性。
圖2 DEKR-SPrior模型中的結構先驗模塊示意圖
在圖像數據集上的結果顯示,DEKRSPrior在豆莢表型檢測上優于多種現有的自下而上的模型,即light -OpenPose, OpenPose, HigherHRNet和DEKR,將豆莢表型的平均絕對誤差(mean absolute error,MAE)從25.81(原始DEKR)降低到21.11 (DEKR- sprior)。
圖3 DEKR-SPrior在子圖測試數據集中結果的可視化
DEKR-SPrior模型在植物表型研究中展現出巨大潛力,有望成為未來植物表型研究的有力工具。研究團隊期望該模型能夠助力農業生產者和科研人員更高效、更精準地進行大豆產量和品質評估。
本文的第一單位為之江實驗室,合作單位為中國科學院東北地理與農業生態研究所的大豆分子設計育種重點實驗室和浙江工商大學。本文的研究受到了國家重點研發計劃(2023YFD1202600)、之江實驗室大豆智能計算育種與應用(2021PE0AC04)等項目支持。
論文鏈接:
https://doi.org/10.34133/plantphenomics.0198
——推薦閱讀——
Noninvasive Abiotic Stress Phenotyping of Vascular Plant in Each Vegetative Organ View
https://doi.org/10.34133/plantphenomics.0180
Plant Phenomics | 福建農林大學基于高等植物“根-莖-葉”視角下的無損脅迫表型分析
Three-dimensional leaf edge reconstruction combining two- and three-dimensional approaches
https://doi.org/10.34133/plantphenomics.0181
Plant Phenomics | 結合二維和三維方法的三維葉片邊緣重建
加入作者交流群
掃碼添加小編微信,拉您進入《植物表型組學》作者交流群,群內不定期開展作者分享會、專刊發布會等高質量活動。
添加小編微信,備注姓名+單位+PP,加入作者交流群
About Plant Phenomics說明:本文由《植物表型組學》編輯部負責組稿。
中文內容僅供參考,一切內容以英文原版為準。
排版:許怡瑤(上海交通大學)
審核:孔敏、王平