基于深度学习的方法,用于在米粉中提取表型特征
Zhiao Wang1,2, Ruihang Li1,2, Wei Li1,2
1Agricultural Information Institute, Chinese Academy of Agricultural Sciences/National Agricultural Science Data Center, Beijing, China.
Frontiers in plant science
|March 2, 2026
概括
这项研究引入了一个自动化的深度学习工具,用于精确的饼表型化. 该系统准确地测量了谷粒数量和尺寸等关键特征,有助于米育种的进步.
科学领域:
- 农业科学 农业科学
- 植物育种 植物育种
- 计算机视觉 计算机视觉
背景情况:
- 准确地测量大米的特征对于提高作物产量和质量至关重要.
- 传统的表型化方法通常是劳动密集型的,缺乏高吞吐量能力.
研究的目的:
- 开发和验证一个深度学习管道,用于自动化,高精度的米饼表型.
- 为了应对测量谷粒数,尺寸和成熟阶段等特征的挑战,特别是在遮蔽下.
主要方法:
- 一个数据集由5300个米饼图像组成,涵盖了各种类型和成熟阶段.
- 实施了OPG-YOLOv8深度学习管道,用于图像分析和特征提取.
- 该模型在图像数据的子集上进行了训练和验证.
主要成果:
- 高精度被实现了的长度提取 (R2=0.9583) 和在不同类型的中计数谷物 (R2到0.9799).
- 获得了精确的粒度长度 (R2=0.8823) 和粒度宽度 (MAPE=6.64%) 的测量.
- OPG-YOLOv8模型在表型化方面表现出强大的性能.
结论:
- 开发的自动化工具为饼表型化提供了全面的解决方案.
- 这项技术有效地克服了封闭问题,并弥合了先进的人工智能模型和实际育种应用之间的差距.


