芒是小麦和大麦等草类作物上的鬃毛状延伸物，对于保护和种子传播至关重要，其表面的倒刺起着至关重要的作用。虽然通过全基因组关联和遗传图谱探索了倒刺形成的遗传基础，但对这些小的可变结构的详细分析提出了挑战。

现有的方法，例如扫描电子显微镜，提供详细的可视化，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来准确分割和分析倒刺的复杂形态对于更好地理解和种植谷类作物具有重要意义。

2023年8月，PlantPhenomics发表了一篇题为“AwnImageAnalysisandPhenotypingusingBarbNet”的研究文章。

在这项研究中，研究人员开发了BarbNet，这是一种专门的深度学习模型，旨在自动检测芒显微图像中的倒刺并对其进行表型分析。

BarbNet的训练和验证涉及348张图像，分为训练子集和验证子集。这些图像代表了具有不同倒刺尺寸和密度的不同芒表型。使用二元交叉熵损失和骰子系数(DC)评估模型的性能，在75个epoch中显示出显着改进，峰值验证DC为0.91。

对U-net架构的进一步改进，包括批量归一化、排除dropout层、增加内核大小以及调整模型深度等修改，形成了最终的BarbNet模型。

该模型在倒刺分割任务中优于原始和其他修改后的U-net模型，在未见过的图像上实现了90%以上的准确率。

然后，研究人员对自动分割结果与手动(地面实况)数据进行了比较分析，揭示了BarbNet预测与手动注释之间的高度一致性(86%)，特别是在预测倒刺数量方面。此外，研究人员还探索了基因型-表型分类，重点关注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BarbNet分割图像中的特征，他们实现了表型的准确聚类，反映了相应的基因型。

研究得出的结论是，BarbNet非常高效，在检测各种芒表型方面的准确率高达90%。然而，在检测微小倒刺和区分密集倒刺方面仍然存在挑战。该团队建议扩大训练集并探索替代的CNN模型以进一步改进。

总体而言，这种方法标志着自动化植物表型分析的重大进步，特别是对于倒刺等小器官检测，为该领域的研究人员提供了强大的工具。

版权说明：本站所有作品图文均由用户自行上传分享，仅供网友学习交流。若您的权利被侵害，请联系我们

标签：