草坪是小麦和大麦等禾草作物上的鬃毛状延伸物，对保护和传播种子至关重要，其表面的倒刺起着至关重要的作用。虽然倒刺形成的遗传基础已经通过全基因组关联和遗传作图进行了探索，但对这些小而可变的结构的详细分析提出了挑战。
现有的方法，如扫描电子显微镜，提供了详细的可视化，但缺乏高通量分析所需的自动化。因此，开发先进的自动图像处理算法，特别是基于深度学习的方法，准确地分割和分析倒刺的复杂形态，对于更好地理解和种植谷物作物具有重要意义。
2023年8月，Plant Phenomics发表了一篇题为《利用BarbNet分析芒的图像和表型》的研究文章。
在这项研究中，研究人员开发了barnet，这是一种专门的深度学习模型，用于自动检测和分型遮阳篷显微镜图像中的倒刺。
barnet的训练和验证涉及348张图像，分为训练和验证子集。这些图像代表了不同的芒表型与不同的倒刺大小和密度。通过二元交叉熵损失和骰子系数(Dice Coefficient, DC)对该模型的性能进行了评估，在75个epoch中显示出显著的改善，峰值验证DC为0.91。
对U-net体系结构的进一步改进，包括批处理规范化、排除退出层、增加内核大小和调整模型深度等修改，最终形成了最终的BarbNet模型。
该模型在barb分割任务中优于原始和其他改进的U-net模型，在未见过的图像上达到90%以上的准确率。
然后，研究人员对自动分割结果与人工(地面真实)数据进行了比较分析，发现barnet预测与人工注释之间的一致性很高(86%)，特别是在预测倒刺数方面。此外，研究人员还探索了基因型-表型分类，重点研究了与控制倒刺密度和大小的两个基因相关的四种主要芒表型。
利用来自barnet分割图像的特征，他们实现了准确的表型聚类，反映了相应的基因型。
研究表明，barnet在检测芒的各种表型方面具有很高的效率，准确率高达90%。然而，在检测微小的倒刺和区分密集的倒刺方面仍然存在挑战。该团队建议扩展训练集并探索其他CNN模型以进一步改进。
总的来说，这种方法标志着自动化植物表型分析的重大进步，特别是对于像倒刺这样的小器官检测，为该领域的研究人员提供了一个强大的工具。
更多信息:Narendra Narisetti等人，芒图像分析和表型分析使用BarbNet, Plant Phenomics(2023)。DOI: 10.34133 / plantphenomics.0081
引用本文:BarbNet:先进深度学习的芒表型，在大麦芒分选自动化中的潜在应用(2023,12月28日)，2023年12月28日检索自httpsokphys.org/news/2023-12-barbnet-awn-phenotyping-advanced-deep.html
本文档受版权保护。除为私人学习或研究目的而进行的任何公平交易外，未经书面许可，不得转载任何部分。内容仅供参考之用。
