友情链接

中文|English



  • 1
  • 2
  • 3
  • 4
  • 5
  • 6


The Crop Journal│一种基于深度学习与双模式成像的稻穗表型性状分析方法

发布时间:2020-10-15|点击:77

        水稻是世界上最重要的粮食作物之一,随着世界人口的不断增长,提高粮食的产量就变得尤为重要,这急需培育出高产(穗数、每穗小穗数和粒重高)的水稻品种,而稻穗表型精准鉴定是实现这一目标的前提。但由于水稻稻穗的复杂结构以及传统稻穗表型提取方法的冗杂繁琐,需要脱壳脱粒,存在费时费力、误差大等缺点。

        近日,由华中科技大学生物医学光子学研究中心以及华中农业大学作物表型团队合作在The Crop Journal在线刊发了题为“An integrated rice panicle phenotyping method based on X-ray and RGB scanning and deep learning”的研究论文。该研究组开发了一套基于X-ray成像和RGB成像技术的水稻穗部表型性状综合测量和分析系统(1),可以在不脱粒和不脱壳的条件下实现对谷粒、米粒、及穗部性状的提取。通过比较五种不同小穗计数方法,Faster R-CNN深度学习模型展现了较好的计数精度(R20.99)和计数效率(0.1/穗)。同时该模型可应用于籼稻和粳稻分类,准确率可达91%。更为有趣的是,配合一定的背光成像环境,本研究构建的Faster R-CNN深度学习模型也有潜力应用于田间自然状态下稻穗谷粒计数,相关性R2可达到0.76(图2c)。总而言之,本研究实现了(无需脱粒和脱壳情况下)水稻稻穗表型性状高精度和高效提取,为水稻功能基因组和育种研究提供了一种新颖的稻穗表型综合分析方法。

            图1.基于RGB和X-ray双模式成像的稻穗图像采集及处理流程图


2.不同光照场景和稻穗预处理情况下Faster R-CNN小穗识别计数评估结果比较

 

华中科技大学博士研究生余乐俊和华中农业大学博士研究生施家伟为本文共同第一作者,华中农业大学杨万能教授和华中科技大学刘谦教授为共同通讯作者。该研究受到国家重点研发计划项目、国家自然科学基金和中央高校基本科研业务费专项资金的资助。