2019年6月，Plant Phenomics刊發(fā)了由來自英國諾里奇研究所（Norwich Research Park）的Tahani Alkhudaydi等人撰寫的題為An exploration of deep-learning based phenotypic analysis to detect spike regions in field conditions for UK bread wheat的研究論文，介紹了基于深度學(xué)習(xí)的識別田間條件下英國面包小麥的穗?yún)^(qū)域的表型分析方法。英國諾里奇研究所/南京農(nóng)業(yè)大學(xué)的周濟(jì)教授和英國諾里奇研究所的Beatriz de la Iglesia為本文通訊作者。

小麥?zhǔn)鞘澜缟系闹饕�農(nóng)作物之一，到2050年，全球小麥需求預(yù)計將達(dá)到8.5億噸，明顯超過目前的供應(yīng)量。由于氣候條件波動，世界人口不斷增長，維持小麥產(chǎn)量的持續(xù)壓力要求育種家在不同環(huán)境中提高產(chǎn)量和產(chǎn)量穩(wěn)定性。本文作者正努力將深度學(xué)習(xí)與基于田間的表型分析相結(jié)合，以協(xié)助育種家進(jìn)行這項工作。

本研究利用了分布式表型分析工作站-CropQuant收集的小麥圖像，這些工作站用于不同的英國面包小麥品種的多年田間試驗(yàn)。基于這些圖像系列，本文開發(fā)了一種基于深度學(xué)習(xí)的分析管道，用于復(fù)雜背景的穗?yún)^(qū)分割。

本文提出了一種有前景的方法作為田間關(guān)鍵產(chǎn)量性狀穩(wěn)健性測定的第一步，其采用全卷積網(wǎng)絡(luò)（FCN）對圖像進(jìn)行語義分割以分割小麥穗?yún)^(qū)域。本文還通過使用從其他圖像數(shù)據(jù)集獲得的參數(shù)來證明遷移學(xué)習(xí)的優(yōu)勢。本文發(fā)現(xiàn)FCN架構(gòu)在驗(yàn)證數(shù)據(jù)上的平均分類準(zhǔn)確度（MA）> 82％，在測試數(shù)據(jù)上> 76％，在驗(yàn)證數(shù)據(jù)上平均交聯(lián)值（MIoU）> 73％，在測試數(shù)據(jù)集中> 64％。

通過這一表型組學(xué)研究，研究者相信其嘗試很可能在提取單位面積穗數(shù)和每穗小穗數(shù)等與產(chǎn)量相關(guān)的關(guān)鍵性狀方面奠定了良好的基礎(chǔ)，可為今后以產(chǎn)量為中心的小麥育種目標(biāo)提供幫助。

在這項研究中，研究人員探索了一種結(jié)合深度學(xué)習(xí)和計算機(jī)視覺的方法，該方法通過基于像素的分割來識別小麥生長圖像上的小麥穗?yún)^(qū)域。該方法是使用Python和TensorFlow后端實(shí)現(xiàn)的，后者為研究人員建立FCN架構(gòu)提供了框架。然后，研究人員將工作從訓(xùn)練階段轉(zhuǎn)向最終的圖像級別的兩類預(yù)測。本研究的目標(biāo)是獲得一個分類器，以便在不知道小麥穗的維度和空間特征時使用標(biāo)準(zhǔn)的深度學(xué)習(xí)方法分析小麥穗?yún)^(qū)域。為了滿足這一要求，研究人員建立了一個FCN模型，該模型用于分割連續(xù)三年獲得的不同天氣條件下小麥生長圖像系列中的穗?yún)^(qū)。所有圖像中的穗?yún)^(qū)都由專業(yè)人士使用標(biāo)注工具在像素等級進(jìn)行標(biāo)注。模型性能在驗(yàn)證數(shù)據(jù)集（2016年圖像集）和測試數(shù)據(jù)集（2017年圖像集）上得到了驗(yàn)證。研究人員發(fā)現(xiàn)，無論是2016年（MA：82.13%）還是2017年（MA：76.0%），F(xiàn)CN都相對成功的檢測到穗?yún)^(qū)域。此外，當(dāng)對尺寸較大的子圖像進(jìn)行訓(xùn)練時，F(xiàn)CN表現(xiàn)得更好。然后，研究人員通過加載從ImageNet中學(xué)習(xí)到的參數(shù)，應(yīng)用遷移學(xué)習(xí)來提高FCN模型的性能，這對分割結(jié)果產(chǎn)生了積極的影響。

本研究的局限性可以概括為三點(diǎn)：（1）在識別孕穗期和抽穗期的穗?yún)^(qū)域時，該模型的準(zhǔn)確率有限；這可能是由于缺乏這兩個階段的訓(xùn)練數(shù)據(jù)造成的;（2）模型遇到了一些意想不到的背景對象，如草，這增加了假陽性率；同樣，研究人員相信更多的訓(xùn)練數(shù)據(jù)或數(shù)據(jù)擴(kuò)充可以解決這個問題；（3）由于嚴(yán)峻的光照和天氣條件，該模型在2017年的數(shù)據(jù)集中的表現(xiàn)相對較差。通過在訓(xùn)練集中包含更多的歷史圖像或人工分類的圖像，以及探索其他深度學(xué)習(xí)分割架構(gòu)(如DeepLap)和一些傳統(tǒng)的ML（機(jī)器語言）分割方法，研究人員或許能夠克服這些基于圖像的局限性。同時，研究者還將在多任務(wù)學(xué)習(xí)環(huán)境中嘗試進(jìn)行其他的學(xué)習(xí)任務(wù)，以提高解決方案的可靠性。

Tahani Alkhudaydi, Daniel Reynolds, Simon Griffiths, Ji Zhou, and Beatriz de la Iglesia, “An Exploration of Deep-Learning Based Phenotypic Analysis to Detect Spike Regions in Field Conditions for UK Bread Wheat,” Plant Phenomics, vol. 2019, Article ID 7368761, 17 pages, 2019. https://doi.org/10.34133/2019/7368761.

關(guān)于Plant Phenomics

《植物表型組學(xué)》（Plant Phenomics）是由南京農(nóng)業(yè)大學(xué)和美國科學(xué)促進(jìn)會（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，是Science合作出版的第二本期刊。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。