欢迎您来到博普特科技官方网站!

土壤仪器电话

010-82794912

品质至上,客户至上,您的满意就是我们的目标

技术文章

当前位置:  首页 > 技术文章

Plant Phenomics | DEKR-SPrior: 基于自下而上的关键点检测模型的大豆精准豆荚表型分析

发表时间:2024-07-09 09:53:06点击:67

来源:植物表型组学

分享:

1721267567433011.png

1721267583817832.png

在全球范围内,大豆不仅是蛋白质和油脂的重要来源,其产量的提升也一直是农业科研的重点领域。豆荚的数量和种子的计数是决定大豆产量的关键性状。然而,在高通量精准表型分析方面,大豆育种面临巨大挑战:如何精确地识别和计数密集堆积且相互重叠的豆荚和种子。

2024年6月,Plant Phenomics 在线发表了之江实验室题为DEKR-SPrior: An Efficient Bottom-Up Keypoint Detection Model for Accurate Pod Phenotyping in Soybean的论文。

近年来,人工智能技术,尤其是深度学习(DL)模型的快速发展,为作物性状的高通量表型分析开辟了新的道路。但现有的DL模型在处理原位大豆植株中那些紧密排列、相互重叠的豆荚时,效果并不理想。为应对这一挑战,本文开发了一种创新的自下而上的模型——DEKR-SPrior,专门用于大豆植株的原位豆荚表型分析。

本文特别针对大豆荚果和种子的表型特征,通过模拟人体关键点检测的方法,将大豆荚果和种子分别视为人体的不同部位和关节,实现了对大豆荚果和种子的精准识别与计数。

1721267600169832.png

图1 豆荚的不同类型及定义。(A)一粒荚(B)二粒荚(C)三粒荚(D)四粒荚(E)五粒荚

文章的创新点:

(1)结构先验模块(SPrior):创新性的引入了结构先验(structural prior,SPrior)模块,通过余弦相似性增强了种子特征的区分度,显著提高了模型对高度相似种子的识别能力。

(2)图像处理技术:通过将全尺寸图像裁剪成更小、更高分辨率的子图像进行分析,进一步提升了荚果定位的准确性。

1721267623993679.png

图2 DEKR-SPrior模型中的结构先验模块示意图

在图像数据集上的结果显示,DEKRSPrior在豆荚表型检测上优于多种现有的自下而上的模型,即light -OpenPose, OpenPose, HigherHRNet和DEKR,将豆荚表型的平均绝对误差(mean absolute error,MAE)从25.81(原始DEKR)降低到21.11 (DEKR- sprior)。

1721267634863818.png

图3 DEKR-SPrior在子图测试数据集中结果的可视化

DEKR-SPrior模型在植物表型研究中展现出巨大潜力,有望成为未来植物表型研究的有力工具。研究团队期望该模型能够助力农业生产者和科研人员更高效、更精准地进行大豆产量和品质评估。

本文的第一单位为之江实验室,合作单位为中国科学院东北地理与农业生态研究所的大豆分子设计育种重点实验室和浙江工商大学。本文的研究受到了国家重点研发计划(2023YFD1202600)、之江实验室大豆智能计算育种与应用(2021PE0AC04)等项目支持。

论文链接:

https://doi.org/10.34133/plantphenomics.0198‍

——推荐阅读——

Noninvasive Abiotic Stress Phenotyping of Vascular Plant in Each Vegetative Organ View

https://doi.org/10.34133/plantphenomics.0180

Plant Phenomics | 福建农林大学基于高等植物“根-茎-叶”视角下的无损胁迫表型分析

Three-dimensional leaf edge reconstruction combining two- and three-dimensional approaches

https://doi.org/10.34133/plantphenomics.0181

Plant Phenomics | 结合二维和三维方法的三维叶片边缘重建

加入作者交流群

扫码添加小编微信,拉您进入《植物表型组学》作者交流群,群内不定期开展作者分享会、专刊发布会等高质量活动。

1662096989509323.png

添加小编微信,备注姓名+单位+PP,加入作者交流群

About Plant Phenomics

《植物表型组学》(Plant Phenomics)是由南京农业大学和美国科学促进会(AAAS)合作创办的英文学术期刊,于2019年1月正式上线发行。采用开放获取形式,刊载植物表型组学交叉学科热点领域具有突破性科研进展的原创性研究论文、综述、数据集和观点。具体范围涵盖高通量表型分析的最新技术,基于图像分析和机器学习的表型分析研究,提取表型信息的新算法,作物栽培、植物育种和农业实践中的表型组学新应用,与植物表型相结合的分子生物学、植物生理学、统计学、作物模型和其他组学研究,表型组学相关的植物生物学等。期刊已被DOAJ、Scopus、PMC、EI和SCIE等数据库收录。科睿唯安JCR2022影响因子为7.6,位于农艺学、植物科学、遥感一区。2023年中科院期刊分区位于农林科学大类一区。2020年入选中国科技期刊卓越行动计划高起点新刊项目、2024年入选江苏科技期刊卓越行动计划领军期刊项目。

说明:本文由《植物表型组学》编辑部负责组稿。

中文内容仅供参考,一切内容以英文原版为准。

排版:许怡瑶(上海交通大学)

审核:孔敏、王平

  • 土壤仪器品牌德国steps
  • 土壤仪器品牌奥地利PESSL
  • 土壤仪器品牌荷兰MACView
  • 土壤仪器品牌德国INNO_Concept
  • 土壤仪器品牌比利时WIWAM
  • 土壤仪器品牌德国GEFOMA
  • 土壤仪器品牌奥地利schaller
  • 土壤仪器品牌荷兰PhenoVation
  • 土壤仪器品牌法国Hi-phen系统
  • 土壤仪器品牌Videometer
  • 土壤仪器品牌比利时INDUCT(OCTINION)
  • 土壤仪器品牌美国EGC
  • 土壤仪器品牌HAIP
  • 土壤仪器品牌植物遗传资源学报