气孔对于调节植物中的水和二氧化碳、影响光合作用至关重要。传统的气孔分析是手动的且容易出错，但深度学习 (DL) 方法(例如 DCNN)已被引入以增强检测和测量。然而，由于气孔方向随机，这些先进技术在准确计算气孔性状方面仍然面临挑战，需要额外的图像处理。

Plant Phenomics发表了题为“基于无锚物体检测和气孔电导计算的旋转气孔测量”的研究文章。

本文介绍了 DeepRSD，这是一种基于深度学习的方法，旨在检测旋转气孔并计算其特征。通过结合气孔电导损失函数，DeepRSD 实现了玉米叶片气孔 94.3% 的准确率，增强了检测和电导计算。

在本研究中，该方法从图像预处理开始，包括几何校正和分辨率标准化。手动标记对于训练至关重要，需要使用 labelimg2 等软件来定义具有最小包围矩形的气孔。

训练使用 2,192 张玉米叶子图像，通过数据增强扩展到 24,112 张。AdamW 优化算法，加上特定的学习率调整和 GPU 加速的软件环境，有助于高效训练。

利用五种不同的损失函数(包括热图、宽度-高度、偏移、角度和气孔导度损失)来优化模型的准确性。结果表明，20 个 epoch 后，DeepRSD 在精确率、召回率和 F1 分数方面显着优于其他模型。然而，挑战仍然存在，包括由于叶子杂质或类似物体导致的漏检和误报。未来的改进旨在提高识别准确性。

总之，该研究断言 DeepRSD 的无锚检测和快速计算能力使其成为大规模分析气孔特征和电导的宝贵工具。

该方法不仅提高了效率和准确性，而且还可以更深入地了解气孔对环境应激的反应，有助于作物产量和植物抗逆性的研究。虽然目前主要集中在玉米叶上，但这种方法对其他单子叶植物也有潜在的应用，为植物学家的研究工作提供了一个全面的工具。

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：