根据双分支CNN模型融合框架识别大豆突变系,利用来自不同器官的图像
Guangxia Wu1,2,3, Lin Fei4, Limiao Deng2,5
1College of Agronomy, Qingdao Agricultural University, Qingdao 266109, China.
Plants (Basel, Switzerland)
|June 28, 2023
概括
准确地分类大豆突变系对于繁殖至关重要. 一个新的双分支卷积神经网络 (CNN) 有效地融合了和种子图像,提高了大豆发育的分类准确性.
科学领域:
- 农业科学 农业科学
- 计算机科学 计算机科学
- 遗传学 是一个遗传学.
背景情况:
- 准确识别大豆突变系对突变育种计划至关重要.
- 现有的方法往往侧重于品种分类,在区分基因相似的突变系仅基于种子时面临挑战.
研究的目的:
- 开发一种有效的方法来使用双分支卷积神经网络 (CNN) 来分类大豆突变系.
- 将大豆豆和种子的图像特征融合在一起,以提高分类准确度.
主要方法:
- 设计了一个双分支CNN架构,整合了两个相同的单一CNN的功能.
- 使用了四个单独的CNN (AlexNet,GoogLeNet,ResNet18,ResNet50) 来进行特征提取.
- 使用集群和t分布式随机邻居嵌入 (t-SNE) 来识别相似的线条和遗传关系.
主要成果:
- 双分支CNN在分类中明显超过单个CNN.
- 双ResNet50融合框架实现了90.22 ± 0.19%的高分类率.
- 成功识别了密切相关的大豆突变系及其遗传联系.
结论:
- 拟议的双分支CNN方法为大豆突变系的分类提供了一个强大的解决方案.
- 结合多个植物器官 (和种子) 的特征,可以提高识别准确度.
- 这项研究为选择大豆突变育种中的潜在品种提供了一种新的策略,并推进了识别技术.
