大米是世界一半以上人口的主要糧食作物。由于預計到2050年全球人口將達到97億，因此需要增加優(yōu)質(zhì)大米的產(chǎn)量，以滿足預期增加的需求。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，這會影響稻米的品質(zhì)，降低市場價值。研究人員已經(jīng)確定了140個與堊白有關(guān)的數(shù)量性狀位點，這些位點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，通過利用遺傳學的先進技術(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展中獲得廣泛的好處，需要促進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個瓶頸塊組成。B每個瓶頸塊以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算卷積層中每個特征地圖的權(quán)重。在推斷時，使用REU激活轉(zhuǎn)換的特征地圖的加權(quán)平均值被用作當前圖像的熱圖
作者使用了一種基于卷積神經(jīng)網(wǎng)絡(CNNS)和梯度加權(quán)類激活映射(Grad-CAM)的全自動方法來檢測米粒圖像中的堊白度。具體地說，作者訓練CNN模型來區(qū)分白堊和非白堊顆粒，然后使用Grad-CAM來識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。使用標準實例分類和分割度量對精米和糙米進行的實驗結(jié)果表明，Grad-CAM能夠準確地識別出堊白粒，并檢測出堊白區(qū)。
圖像預處理。用于從原始掃描圖像中裁剪單個水稻種子的步驟，每個種子大約有25-30個種子。五個步驟(一至五)。在說明在各個步驟中實現(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的工具能夠準確捕捉夜間高溫誘導的稻米堊白。培訓過的模型將會公之于眾。它們易于使用，可擴展，可以很容易地納入正在進行的水稻育種計劃，而不需要水稻研究人員需要計算機科學或機器學習專業(yè)知識。
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
鄂公網(wǎng)安備42018502003245號 網(wǎng)站地圖
