Plant Phenomics | 結(jié)合高分辨率影像、深度學(xué)習(xí)和動(dòng)態(tài)建模分離小麥冠層的疾病和衰老

在開花期后保持足夠的健康綠葉面積是確保籽粒灌漿所需的充分同化物供應(yīng)的關(guān)鍵。在田間條件下，與生育期有關(guān)的生理性衰老和各種生物和非生物脅迫因素的嚴(yán)格調(diào)控，推動(dòng)了整體綠度衰減的動(dòng)態(tài)變化。除了在葉片損傷方面對(duì)綠葉面積的直接影響外，脅迫因素往往會(huì)提前或加速生理衰老，這可能會(huì)增加其對(duì)籽粒灌漿的負(fù)面影響。
 

2023年4月，Plant Phenomics在線發(fā)表了ETH Zurich等單位題為Combining high-resolution imaging, deep learning, and dynamic modelling to separate disease and senescence in wheat canopies的研究論文。
 

本研究提出了一種圖像處理方法，該方法基于植被的顏色特性和語義分割的深度學(xué)習(xí)模型，能夠分別監(jiān)測(cè)穗和芽（莖+葉）的黃化和壞死。利用圖像合成和生成對(duì)抗神經(jīng)網(wǎng)絡(luò)生成的半合成訓(xùn)練數(shù)據(jù)訓(xùn)練植被分割模型，大大降低了標(biāo)注的不確定性風(fēng)險(xiǎn)和標(biāo)注工作量。將這些模型應(yīng)用于圖像時(shí)間序列，揭示了綠度衰減的時(shí)間模式以及黃化和壞死的相對(duì)貢獻(xiàn)。
 

圖4 使用單獨(dú)的植被分割和穗部分割模型對(duì)17個(gè)測(cè)量日期中的8個(gè)隨機(jī)選擇的圖像的推斷結(jié)果。

器官水平植被覆蓋和植被狀態(tài)分?jǐn)?shù)的時(shí)間序列圖進(jìn)一步說明了圖像分割的高質(zhì)量。在全球和器官尺度上，植被覆蓋和植被狀態(tài)都遵循平滑的時(shí)間趨勢(shì)，在所有試驗(yàn)區(qū)都是相似的，這可以很好地解釋(圖6)。灌漿期各樣地植被覆蓋度總體呈減少趨勢(shì)，穗部覆蓋度呈增加趨勢(shì)。因此，莖蓋度(即無穗植被蓋度)呈現(xiàn)出強(qiáng)烈的下降趨勢(shì)，在花后大約10 d就開始下降(圖6)，因此比最早基因型中目測(cè)到的冠層衰老開始時(shí)間早了大約兩周。所有提取性狀的平滑時(shí)間趨勢(shì)清楚地表明，無論光照條件、基因型、處理或作物生長(zhǎng)階段如何，分割模型都具有穩(wěn)定的性能。
 

圖6代表植被的不同組成部分，即全植被、麥穗和無麥穗植被(即葉+莖=莖)及其在抽穗時(shí)(2022年5月25日[219 DAS, GS 55])和生理成熟時(shí)(2022年7月7日[262 DAS, GS 91])第一次測(cè)量之間隨時(shí)間演變的圖像比例。

本研究使用深度學(xué)習(xí)模型進(jìn)行圖像分割，隨后進(jìn)行基于顏色的分類和動(dòng)態(tài)建模，促進(jìn)了對(duì)植物穗和芽的生理狀態(tài)進(jìn)行時(shí)間序列監(jiān)測(cè)。將這些方法應(yīng)用于圖像時(shí)間序列，可以精確地再現(xiàn)視覺觀察到的綠度衰減動(dòng)態(tài)，并揭示出不同區(qū)域的綠度衰減和黃化的對(duì)比時(shí)間模式，顯示葉面疾病的不同感染程度。觀察到的模式與黃化作為生理衰老的表型標(biāo)志的解釋很好地一致，這表明在受疾病影響的植被成分中，單獨(dú)分析黃化和壞死植被部分可能有助于分離葉面疾病和生理衰老對(duì)總體綠度動(dòng)態(tài)的影響。因此，本研究開發(fā)的方法在田間條件下對(duì)作物對(duì)生物脅迫的反應(yīng)進(jìn)行高通量評(píng)估方面具有重大潛力。

論文鏈接：

https://doi.org/10.34133/plantphenomics.0053

——推薦閱讀——

Self-Supervised Plant Phenotyping by Combining Domain Adaptation with 3D Plant Model Simulations: Application to Wheat Leaf Counting at Seedling Stage

https://doi.org/10.34133/plantphenomics.0041

Plant Phenomics | 虛擬圖像“以假亂真”，無需人工標(biāo)注，自監(jiān)督創(chuàng)建小麥表型算法

Benchmarking Self-Supervised Contrastive Learning Methods for Image-Based Plant Phenotypinghttps://doi.org/10.34133/plantphenomics.0037

Plant Phenomics | 基于圖像的植物表型自監(jiān)督對(duì)比學(xué)習(xí)方法的基準(zhǔn)測(cè)試

加入作者交流群

掃碼添加小編微信，拉您進(jìn)入《植物表型組學(xué)》作者交流群，群內(nèi)不定期開展作者分享會(huì)、�？�發(fā)布會(huì)等高質(zhì)量活動(dòng)。

添加小編微信，備注姓名+單位+PP，加入作者交流群

《植物表型組學(xué)》（Plant Phenomics）是由南京農(nóng)業(yè)大學(xué)和美國(guó)科學(xué)促進(jìn)會(huì)（AAAS）合作創(chuàng)辦的英文學(xué)術(shù)期刊，于2019年1月正式上線發(fā)行。采用開放獲取形式，刊載植物表型組學(xué)交叉學(xué)科熱點(diǎn)領(lǐng)域具有突破性科研進(jìn)展的原創(chuàng)性研究論文、綜述、數(shù)據(jù)集和觀點(diǎn)。具體范圍涵蓋高通量表型分析的最新技術(shù)，基于圖像分析和機(jī)器學(xué)習(xí)的表型分析研究，提取表型信息的新算法，作物栽培、植物育種和農(nóng)業(yè)實(shí)踐中的表型組學(xué)新應(yīng)用，與植物表型相結(jié)合的分子生物學(xué)、植物生理學(xué)、統(tǒng)計(jì)學(xué)、作物模型和其他組學(xué)研究，表型組學(xué)相關(guān)的植物生物學(xué)等。期刊已被DOAJ、Scopus、PMC、EI和SCIE等數(shù)據(jù)庫收錄。科睿唯安JCR2021影響因子為6.5，位于農(nóng)藝學(xué)、植物科學(xué)、遙感一區(qū)。中科院農(nóng)藝學(xué)、植物科學(xué)一區(qū)，遙感二區(qū)，生物大類一區(qū)（TOP期刊）。2020年入選中國(guó)科技期刊卓越行動(dòng)計(jì)劃高起點(diǎn)新刊項(xiàng)目。

說明：本文由《植物表型組學(xué)》編輯部負(fù)責(zé)組稿。

中文內(nèi)容僅供參考，一切內(nèi)容以英文原版為準(zhǔn)。

審核：孔敏、王平