通过姿势估计进行快速有效的根系表型化
Elizabeth M Berrigan1, Lin Wang1, Hannah Carrillo1
1Salk Institute for Biological Studies, La Jolla, CA 92037, USA.
Plant phenomics (Washington, D.C.)
|April 17, 2024
概括
这项研究引入了一种新的,更快的植物表型化方法,使用基于深度学习的地标检测,避免了繁的图像细分. 这种姿势估计方法准确地捕捉了根系拓和特征,注释较少.
科学领域:
- 植物生物学 植物生物学
- 计算机视觉 计算机视觉 计算机视觉
- 生物信息学是一种生物信息学.
背景情况:
- 图像细分是植物表型的标准,但是劳动密集型和容易出错的.
- 现有的方法需要对训练细分模型进行广泛的数据注释.
- 来自细分面具的几何特征对面具准确性敏感.
研究的目的:
- 通过深度学习开发一种无细分的方法来进行植物根表型化.
- 为了自动检测植物根上的形态标志.
- 为了实现准确和高效的根特征提取和分析.
主要方法:
- 利用基于深度学习的里程碑检测和分组 (姿势估计) 使用SLEAP (社会 LEAP估计动物姿势).
- 应用该方法在多种物种中使用凝圆柱成像系统种植根.
- 开发了Python库"sleap-roots"用于从姿势数据中提取特征.
主要成果:
- 姿势估计方法可靠,高效地恢复了根系拓,并具有很高的准确性.
- 与基于细分的方法相比,使用较少的注释样本并以更快的速度实现了高精度.
- 姿势衍生的根性特征在下游任务中表现出高的准确性和实用性,例如基因型分类.
结论:
- 确定了植物表型定位的姿势估计的有效性和优势,为细分提供了更有效,更准确的替代方案.
- "睡眠根"库可以直接比较姿势衍生的特征与基于细分的分析.
- 开发的工具,数据和代码是公开的,以鼓励采用和进一步研究.


