三种使用机器学习,图像分析和混合模型的自动根结螺旋虫蛋计数方法的比较

科学领域:

• 农业科学 农业科学
• 遗体学 遗体学 是一个学科.
• 计算生物学 计算生物学

背景情况:

• 根结线虫 (RKNs) 严重威胁全球作物生产.
• 培育RKN耐药性至关重要,但目前的表型化方法是劳动密集型的,容易出现错误.
• 手动计数卵子是评估RKN抗性的标准,但它耗时且需要专家判断.

研究的目的:

• 开发和验证使用机器学习和图像分析对RKN进行自动化卵数计数模型.
• 为了在植物育种计划中提供一个更高效,更准确的替代手动蛋计数.
• 评估这些模型在不同RKN物种和宿主植物中的适用性.

主要方法:

• 开发了三种自动化蛋计数模型:基于卷积神经网络 (CNN) 的模型,基于轮的图像分析模型和结合两种方法的混合模型.
• 培训和测试模型使用从烟草和甜植物中提取的RKN蛋的图像.
• 使用R平方值对不同Meloidogyne物种 (M.enterolobii,M.incognita,M. javanica) 的模型性能进行量化.

主要成果:

• 该CNN模型实现了高精度 (R2 0.8860.927) 计数RKN蛋.
• 基于轮的模型在不依赖神经网络的情况下表现出卓越的性能 (R2 0.9240.990).
• 混合型号与人类评分器的准确性 (R2 0.9830.992) 非常接近,这表明了强大的检测和计数能力.

结论:

• 自动化蛋计数模型为RKN抗性表型的手动方法提供了显著的进步.
• 这些机器学习工具可以为育种者和线虫学家节省大量的时间和资源.
• 开发的协议显示了在管理其他线虫物种和各种作物改进计划中广泛应用的潜力.