在haskap (Lonicera caerulea L.) 中自动估计口腔数量和孔径
Xiangji Meng1, Arisa Nakano2, Yoichiro Hoshino3,4
1Division of Biosphere Science, Graduate School of Environmental Science, Hokkaido University, Kita 11, Nishi 10, Kita-ku, Sapporo, 060-0811, Japan.
Planta
|September 6, 2023
概括
一个面具区域卷积神经网络 (Mask R-CNN) 模型准确地检测了haskap (Lonicera caerulea L.) 中的胃口. 这种深度学习方法显著加快了用于口腔分析的植物表型.
科学领域:
- 植物科学 植物科学
- 计算生物学 计算生物学
- 植物学中的深度学习应用
背景情况:
- 胃观测对于评估植物生理状况和理解与 ploidy 相关的表型变异至关重要.
- 手动口腔注释是劳动密集型和耗时的,需要更有效的表型化方法.
- 哈斯卡普 (Lonicera caerulea L.) 呈现出多样化的表型,这使得详细的口腔分析对研究很重要.
研究的目的:
- 开发和验证一个深度学习模型,以有效和准确地检测哈斯卡普的口腔.
- 为了比较矮和巨型哈斯卡普表型之间的口腔特征 (密度,孔径面积,数量).
- 使用人工智能建立一种快速,大规模的植物表型化方法.
主要方法:
- 利用面膜区域卷积神经网络 (Mask R-CNN),一个深度学习算法,用于口腔图像分析.
- 训练了Mask R-CNN模型在具有相同 ploidy 的 haskap 植物 (矮人和巨人表型) 的图像上.
- 使用开发的模型量化了口腔的数量,口腔孔面积,口腔密度和叶面积.
主要成果:
- 面膜R-CNN模型在估计口腔口径面积 (R-平方0.92-0.93) 和口腔数量 (R-平方0.98-0.99) 中取得了高准确性.
- 来自模型的测量结果与手册注释结果可比,证明了可靠性.
- 与巨型植物相比,矮种哈斯卡普植物的口腔密度较高,但口腔孔面积较低,口腔总数和叶面积较小.
结论:
- 开发的Mask R-CNN模型提供了一种可靠,快速和可扩展的解决方案,用于Lonicera caerulea的口腔表型.
- 这种人工智能驱动的方法显著减少了植物研究的时间,并增加了植物研究的数据量.
- 这些发现使得能够详细评估口腔特征及其与植物表型的关系.
相关概念视频
02:16Light Acquisition
8.5K
In order to produce glucose, plants need to capture sufficient light energy. Many modern plants have evolved leaves specialized for light acquisition. Leaves can be only millimeters in width or tens of meters wide, depending on the environment. Due to competition for sunlight, evolution has driven the evolution of increasingly larger leaves and taller plants, to avoid shading by their neighbors with contaminant elaboration of root architecture and mechanisms to transport water and nutrients.
8.5K
02:04Regulation of Transpiration by Stomata
28.4K
During photosynthesis, plants acquire the necessary carbon dioxide and release the produced oxygen back into the atmosphere. Openings in the epidermis of plant leaves is the site of this exchange of gasses. A single opening is called a stoma—derived from the Greek word for “mouth.” Stomata open and close in response to a variety of environmental cues.
28.4K