大米是世界一半以上人口的主要糧食作物。由于預(yù)計(jì)到2050年全球人口將達(dá)到97億,因此需要增加優(yōu)質(zhì)大米的產(chǎn)量,以滿足預(yù)期增加的需求。然而,全球環(huán)境變化,特別是氣溫上升,可能會(huì)影響糧食產(chǎn)量和質(zhì)量。高溫脅迫是稻米堊白比例增加的主要原因之一,這會(huì)影響稻米的品質(zhì),降低市場價(jià)值。研究人員已經(jīng)確定了140個(gè)與堊白有關(guān)的數(shù)量性狀位點(diǎn),這些位點(diǎn)分布在水稻基因組的12條染色體上。然而,由于缺乏一種可靠、快速和高通量的表型工具來捕捉堊白,通過利用遺傳學(xué)的先進(jìn)技術(shù)獲得的可用的遺傳信息還沒有得到充分的利用。為了從所取得的遺傳進(jìn)展中獲得廣泛的好處,需要促進(jìn)稻米堊白度高通量表型的工具。
模型架構(gòu)--主干CNN(例如,ResNet-101)被訓(xùn)練來將輸入顆粒圖像分類(調(diào)整大小)為白堊色或非白堊色。RESNET-101有四組主要的卷積層,分別表示為層1、層2、層3和層4,分別由3、4、23和3個(gè)瓶頸塊組成。B每個(gè)瓶頸塊以1×1卷積層開始和結(jié)束,中間有3×3層。每層中的過濾器數(shù)量顯示在內(nèi)核維度之后。C Grad-CAM使用白堊類別的梯度來計(jì)算卷積層中每個(gè)特征地圖的權(quán)重。在推斷時(shí),使用REU激活轉(zhuǎn)換的特征地圖的加權(quán)平均值被用作當(dāng)前圖像的熱圖
作者使用了一種基于卷積神經(jīng)網(wǎng)絡(luò)(CNNS)和梯度加權(quán)類激活映射(Grad-CAM)的全自動(dòng)方法來檢測米粒圖像中的堊白度。具體地說,作者訓(xùn)練CNN模型來區(qū)分白堊和非白堊顆粒,然后使用Grad-CAM來識(shí)別代表白堊顆粒的區(qū)域。Grad-CAM方法確定的區(qū)域采用平滑熱圖的形式,可以用來量化白堊度。使用標(biāo)準(zhǔn)實(shí)例分類和分割度量對(duì)精米和糙米進(jìn)行的實(shí)驗(yàn)結(jié)果表明,Grad-CAM能夠準(zhǔn)確地識(shí)別出堊白粒,并檢測出堊白區(qū)。
圖像預(yù)處理。用于從原始掃描圖像中裁剪單個(gè)水稻種子的步驟,每個(gè)種子大約有25-30個(gè)種子。五個(gè)步驟(一至五)。在說明在各個(gè)步驟中實(shí)現(xiàn)的操作的每幅圖像下面描述了
作者成功地展示了基于Grad-CAM的工具能夠準(zhǔn)確捕捉夜間高溫誘導(dǎo)的稻米堊白。培訓(xùn)過的模型將會(huì)公之于眾。它們易于使用,可擴(kuò)展,可以很容易地納入正在進(jìn)行的水稻育種計(jì)劃,而不需要水稻研究人員需要計(jì)算機(jī)科學(xué)或機(jī)器學(xué)習(xí)專業(yè)知識(shí)。
來源:Plant Methods.Deep learning based high-throughput phenotyping of chalkiness in rice exposed to high night temperature.Chaoxin Wang, Doina Caragea, Nisarga Kodadinne Narayana, Nathan T. Hein, Raju Bheemanahalli, Impa M. Somayanda & S. V. Krishna Jagadish
https://plantmethods.biomedcentral.com/articles/10.1186/s13007-022-00839-5