芒( Awns )是包括小麥、水稻、大麥和黑麥等主要作物在內(nèi)的許多禾本科植物穎殼和/或穎殼的刺狀延伸體,在禾本科植物中有許多重要的功能,包括同化、機(jī)械保護(hù)、種子傳播和埋藏。芒的一個重要特征是外芒表面存在或不存在倒刺-細(xì)鉤狀的單細(xì)胞毛狀體,其可以使用顯微成像進(jìn)行可視化。然而,目前還沒有合適的軟件工具來對這些小的、半透明的結(jié)構(gòu)進(jìn)行高通量自動分析。此外,利用傳統(tǒng)的模式檢測和分割方法對倒刺進(jìn)行自動分析受到其光學(xué)外觀(包括尺寸,形狀和表面密度)高度可變性的阻礙。
在本文中,作者提出了一種基于專用深度學(xué)習(xí)模型——BarbNet進(jìn)行大麥芒顯微圖像中倒刺自動檢測和表型分析的軟件工具。BarbNet模型是對U-net原有的編碼器-解碼器CNN架構(gòu)的改進(jìn)版本,旨在對大麥芒倒刺進(jìn)行語義分割。與U-net模型不同,BarbNet在每個卷積層后加入批量歸一化,通過對各自層級的特征圖進(jìn)行歸一化來增強(qiáng)網(wǎng)絡(luò)性能和穩(wěn)定性。在BarbNet中沒有使用Dropout層,同時增加了kernel size以提高分割質(zhì)量。此外,由于輸入圖像尺寸較大,BarbNet的深度相比于原始U-net的深度4增加到了5。實驗結(jié)果表明,BarbNet能夠檢測不同芒的倒刺結(jié)構(gòu),平均準(zhǔn)確率為90%,準(zhǔn)確率高于原始U-net模型及其改進(jìn)的另外3種模型。此外,從BarbNet分割圖像中提取的表型性狀可以對4種不同芒表型進(jìn)行相當(dāng)穩(wěn)健地分類,準(zhǔn)確率大于 85 %,表明該方法在大麥芒自動化分選中具有潛在的應(yīng)用前景。2024/9/27
2024/7/23
2024/1/11
2024/4/10
2024/3/18
2023/11/20
2023/9/26
2023/9/22
2023/9/20
2023/9/18