对口罩-R-CNN和基于值的分段进行高通量表型化,以比较核桃核的颜色
Steven H Lee1, Sean McDowell2, Charles Leslie1
1Department of Plant Sciences, University of California Davis, One Shields Ave, Davis, CA 95616, USA.
Plants (Basel, Switzerland)
|November 13, 2025
概括
使用机器学习 (ML) 和值方法的定量图像分析准确地测量了核桃核的特征,如轻度和大小. 基于机器学习的计算机视觉为植物育种提供了强大的,一致的数据,优于主观的人类评估.
科学领域:
- 植物科学 植物科学
- 计算机视觉 计算机视觉
- 农业技术 农业技术
背景情况:
- 高通量表型对现代植物育种至关重要,比主观传统方法提高了效率.
- 机器学习 (ML) 计算机视觉,特别是卷积神经网络 (CNN),为植物特征分析提供先进的图像细分.
- 定量图像分析提供客观数据,对于精确的植物育种选择至关重要.
研究的目的:
- 为了比较基于规则的值和Mask-R-CNN实例细分管道的表现,用于核桃核的表型.
- 评估定量图像分析方法与人类对核桃核的评估之间的相关性.
- 评估不同图像分析技术在植物育种中的一致性和适应性.
主要方法:
- 在三年内从3000棵树上收集了9万多颗核桃核.
- 采用基于规则的值 (R中的魔术包) 和用于图像分析的Mask-R-CNN管道.
- 图像分析中的定量数据 (亮度,大小) 与两组人类评估进行了比较.
主要成果:
- 这两种图像分析方法都显示了轻度 (r2 = 0.997) 和大小 (r2 = 0.984) 的高相关性.
- 在CNN的方法需要最少的训练 (13张图像) 和强大的图像分期变化,不像值.
- 人类评估显示与图像分析和彼此之间的相关性较低,突出显示一致性问题.
结论:
- 像素分类为植物表型提供了一致的定量数据,超过了主观的人类评估.
- 面具-R-CNN方法适应不完美分阶段的图像,可以重新训练复杂的特征,如斑点和缩.
- 定量图像分析,特别是基于机器学习的方法,显著提高了植物育种计划的客观性和效率.
