使用深度学习进行水果形态和形态测量分析的开放RGB成像工作流:杏仁的案例研究

科学领域:

• 植物科学 植物科学
• 农业技术 农业技术
• 生物信息学是一种生物信息学.

背景情况:

• 高通量表型化对于克服植物育种瓶至关重要.
• 图像工具和人工智能 (AI) 正在彻底改变基因组选择的表型化效率和数据生成.
• 目前的方法需要可访问的,AI增强的成像解决方案,以便更广泛地采用育种计划.

研究的目的:

• 开发一个开放的Python工作流,利用人工智能来分析植物器官形态,颜色和形态特征.
• 在杏仁 (Prunus dulcis) 繁殖中应用和验证这一工作流程,杏仁是一种繁殖周期长的物种.
• 评估工作流的性能,准确性和可扩展性,用于现实世界的表型化应用.

主要方法:

• 开发一个开放的Python工作流程,集成AI用于图像分析.
• 将工作流应用于表型杏仁核,坚果和个体 (超过25,000个核,20,000个坚果,600个个体).
• 评估细分和重建准确性,并使用重量和面积变量估计诸如内核厚度之类的特征.

主要成果:

• 工作流实现了高准确度,对细分和重建的错误率低于1%.
• 精确估计内核厚度,根平均平方误差 (RMSE) 为0.47.
• 在杏仁中识别了55种可遗传的形态学,形态学和颜色特征,适合用于育种计划.

结论:

• 由人工智能驱动的工作流程在各种数据集中显示出强大的性能,即使训练数据有限.
• 与基于AI的标签工具的兼容性减少了手工工作,并加速了数据集准备.
• 工作流程提高了育种计划的可扩展性和实际应用性,简化了细调细分模型的细分.