顯微高光譜相機(jī)對(duì)芒( Awns )圖像分析和表型分析

    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(gè)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(duì)這些小的、半透明的結(jié)構(gòu)進(jìn)行高通量自動(dòng)分析。

此外，利用傳統(tǒng)的模式檢測和分割方法對(duì)倒刺進(jìn)行自動(dòng)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。

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(dòng)檢測和表型分析的軟件工具。

BarbNet模型是對(duì)U-net原有的編碼器-解碼器CNN架構(gòu)的改進(jìn)版本，旨在對(duì)大麥芒倒刺進(jìn)行語義分割。

與U-net模型不同，BarbNet在每個(gè)卷積層后加入批量歸一化，通過對(duì)各自層級(jí)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(shí)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(shí)驗(yàn)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(duì)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(dòng)化分選中具有潛在的應(yīng)用前景。

圖1  芒成像。( A )從每株植株的主穗上采集中部3個(gè)芒。芒的中央和基部被粘貼在成像載玻片上，并在數(shù)字顯微鏡下生成顯微圖像。

( B )芒基部近軸面的代表性顯微圖像。

在2個(gè)芒粗糙度控制位點(diǎn)( “A "和“ B ")上，2個(gè)可替代等位基因所有可能的純合遺傳類顯示出不同的倒刺密度和大小。

圖2 顯微鏡下采集大麥芒圖像實(shí)例。( A )原始圖像，分辨率為1200 × 1600，( b ) 由ImageJ生成掩膜圖。

表1 原始U-net和BarbNet的卷積參數(shù)。

          BarbNet模型訓(xùn)練集和驗(yàn)證集在75個(gè)epochs的性能。( A )交叉熵?fù)p， ( B ) Dice系數(shù)。x軸和y軸分別表示epoch個(gè)數(shù)和性能。

BarbNet模型和U-net及其改進(jìn)模型性能比較。( A )交叉熵?fù)p， ( B ) Dice系數(shù)。x軸和y軸分別表示epoch個(gè)數(shù)和性能。

156張芒圖像中倒刺真實(shí)值(x軸)和預(yù)測值 (y軸)之間的相關(guān)性。每個(gè)點(diǎn)代表每張芒圖像的倒刺總數(shù)。紅色實(shí)線和點(diǎn)線分別表示擬合曲線和95 %置信區(qū)間。

R2值表明BarbNet圖像分割和性狀計(jì)算的計(jì)數(shù)值與真實(shí)值之間具有良好的一致性。