一种高通量ResNet CNN方法用于自动化葡萄树叶毛发量化

科学领域:

• 植物科学 植物科学
• 遗传学 遗传学是一种遗传学.
• 农业技术 农业技术

背景情况:

• 维蒂斯植物的叶子毛发是对抗诸如菌和菌等病原体的身体防御的关键特征.
• 叶毛影响湿透性,并为生物控制剂提供息地,影响葡萄藤的健康.
• 由于缺乏有效的工具,客观地量化叶毛密度具有挑战性.

研究的目的:

• 开发和验证一个高通量表型化工具,以准确客观地量化葡萄树叶毛密度.
• 利用卷积神经网络 (CNN) 来基于图像分析叶子毛发覆盖面.
• 将开发的工具的性能与专家和非专家的传统手动评估进行比较.

主要方法:

• 使用修改后的ResNetCNN训练在葡萄树叶磁盘图像上的表型化工具的开发.
• 用极简图像数据集对叶子毛发区域进行分类.
• 使用F1双亲群体的10,120张图像进行验证,并与专家地面真相数据进行比较.

主要成果:

• 美国有线电视新闻网模型实现了95.41%的预测准确率.
• 与专家数据相比,表型结果显示出强烈的相关性 (R=0.98,0.92) 和低的RMSE (8.20%,14.18%).
• 人工智能工具在人工专家和初学者评估中表现出更高的一致性和准确性,突出了非专家评估中的重大偏差.

结论:

• 开发的基于CNN的工具提供了一个客观,准确和高效的方法来量化葡萄树叶毛发.
• 这种高通量表型化方法对于推进关于叶子形态在植物防御和育种中的作用的研究至关重要.
• 该研究强调了主观手动评估的局限性,以及在植物特征评估中需要自动化工具的需求.