作物根系在農(nóng)業(yè)生態(tài)系統(tǒng)中發(fā)揮著重要作用。根系對(duì)于水分和養(yǎng)分的吸收、植物的穩(wěn)定性、微生物共生以及良好的土壤結(jié)構(gòu)至關(guān)重要。微根管已被證明對(duì)無(wú)創(chuàng)根系研究是有效的。因此，可以在整個(gè)作物生長(zhǎng)季獲得根系性狀，如根長(zhǎng)度。在傳統(tǒng)的軟件工具下，使用一般的手動(dòng)標(biāo)注方法分析來(lái)自微型根管的數(shù)據(jù)集既費(fèi)時(shí)又費(fèi)力。因此，需要一種客觀的高通量圖像分析方法來(lái)為田間根系表型提供數(shù)據(jù)。
從微根管設(shè)備中的圖像采集到自動(dòng)分析算法工作流程示意圖
在這項(xiàng)研究中，我們開(kāi)發(fā)了一個(gè)結(jié)合了先進(jìn)軟件工具、深度神經(jīng)網(wǎng)絡(luò)和自動(dòng)特征提取的算法該算法由兩個(gè)主要組件組成，并應(yīng)用于來(lái)自 微根管 的大型根系圖像數(shù)據(jù)集。首先，使用小樣本圖像訓(xùn)練的神經(jīng)網(wǎng)絡(luò)模型進(jìn)行分割，訓(xùn)練和分割是使用“RootPainter”完成的。然后，由“RhizoVision Explorer”從片段中自動(dòng)提取特征。
由自動(dòng)根系分析算法處理一張圖像的示例。(a) RootPainter 根據(jù)之前訓(xùn)練的模型“檢測(cè)”到根。(b) 導(dǎo)出的分割圖像 (c) 轉(zhuǎn)換為二進(jìn)制的圖像。(d) 最后一步是使用 RhizoVision Explorer 進(jìn)行骨架化和特征提取。
為了驗(yàn)證我們的自動(dòng)化分析流程的結(jié)果，我們對(duì)超過(guò) 36,500 張圖像進(jìn)行了手動(dòng)標(biāo)注和自動(dòng)處理數(shù)據(jù)之間的根長(zhǎng)度比較。主要是結(jié)果顯示手動(dòng)和自動(dòng)確定的根長(zhǎng)度之間的高度相關(guān)性。在處理時(shí)間方面，我們的新流程比手動(dòng)標(biāo)注要好 98.1-99.6%。我們的算法流程結(jié)合了最先進(jìn)的軟件工具，顯著減少了 微根管 圖像的處理時(shí)間。因此，圖像分析不再是高通量表型分析方法的瓶頸。
來(lái)源：Plant Phenomics.Development and Validation of a Deep Learning Based Automated Minirhizotron Image Analysis Pipeline.Felix Maximilian Bauer , Lena L?rm , Shehan Morandage , Guillaume Lobet , Jan Vanderborght , Harry Vereecken , and Andrea Schnepf
https://spj.sciencemag.org/journals/plantphenomics/2022/9758532/
鄂公網(wǎng)安備42018502003245號(hào) 網(wǎng)站地圖
