基于深度学习的高吞吐量和无分离的表型化方法,用于基于深度学习的面包米粒
Yuwei Lu1,2,3, Jinhu Wang1, Ling Fu2,3,4
1Key Laboratory of Biomedical Engineering of Hainan Province, School of Biomedical Engineering, Hainan University, Haikou, China.
Frontiers in plant science
|October 4, 2023
概括
这项研究引入了一种新的,高精度的方法,用于使用可见光扫描和深度学习来分析米粒的特征. 这种非破坏性技术能够快速,准确地表型化谷粒,提高作物育种效率.
科学领域:
- 农业科学 农业科学
- 计算机视觉 计算机视觉
- 深度学习 (Deep Learning) 是一种深度学习.
- 植物表型化 植物表型化
背景情况:
- 米是全球重要的粮食来源,需要在育种方面取得进展,以获得高产量和高质量.
- 精确测量大米谷物特征对于评估产量潜力和质量至关重要.
- 目前的表型化方法往往是手动的,耗时的和昂贵的.
研究的目的:
- 开发一种高通量,非破坏性的型化方法,用于饼.
- 为了准确地提取关键的面粉上米粒特征,而无需分离或.
- 利用可见光扫描和深度学习进行精确的特征分析.
主要方法:
- 可见光扫描成像大米饼的图像.
- 深度学习模型 (Faster R-CNN和Pix2Pix) 用于谷物检测,细分和阻塞补偿.
- 一个图像处理管道来计算15个表型特征.
主要成果:
- 与手动测量相比,关键特征的高相关性 (R2值0.830.99) 和低误差 (MAPE1.65%9.13%) 对手动测量相比.
- 快速成像 (大约1分钟) 60秒/面板) 和数据处理 (<10秒).
- 鉴定了谷粒长度,宽度和长度/宽度比率分布的品种差异.
结论:
- 开发的方法提供了高吞吐量,非破坏性,精确的米粒特征的提取.
- 它的低成本和强大的性能使其在作物育种中得到广泛采用.
- 提供了用于表型大米和其他作物恐慌特征的新方法.


