显微高光谱相机对芒( Awns )图像分析和表型分析

显微高光谱相机对芒( Awns )图像分析和表型分析

    芒( Awns )是包括小麦、水稻、大麦和黑麦等主要作物在内的许多禾本科植物颖壳和/或颖壳的刺状延伸体，在禾本科植物中有许多重要的功能，

包括同化、机械保护、种子传播和埋藏。芒的一个重要特征是外芒表面存在或不存在倒刺-细钩状的单细胞毛状体，其可以使用显微成像进行可视化。

然而，目前还没有合适的软件工具来对这些小的、半透明的结构进行高通量自动分析。

此外，利用传统的模式检测和分割方法对倒刺进行自动分析受到其光学外观(包括尺寸，形状和表面密度)高度可变性的阻碍。

基于专用深度学习模型——BarbNet进行大麦芒显微图像中倒刺自动检测和表型分析的软件工具。

BarbNet模型是对U-net原有的编码器-解码器CNN架构的改进版本，旨在对大麦芒倒刺进行语义分割。

与U-net模型不同，BarbNet在每个卷积层后加入批量归一化，通过对各自层级的特征图进行归一化来增强网络性能和稳定性。

在BarbNet中没有使用Dropout层，同时增加了kernel size以提高分割质量。

此外，由于输入图像尺寸较大，BarbNet的深度相比于原始U-net的深度4增加到了5。

实验结果表明，BarbNet能够检测不同芒的倒刺结构，平均准确率为90%，准确率高于原始U-net模型及其改进的另外3种模型。

此外，从BarbNet分割图像中提取的表型性状可以对4种不同芒表型进行相当稳健地分类，准确率大于 85 %，

表明该方法在大麦芒自动化分选中具有潜在的应用前景。

图1  芒成像。( A )从每株植株的主穗上采集中部1587个芒。芒的中央和基部被粘贴在成像载玻片上，并在数字显微镜下生成显微图像。

( B )芒基部近轴面的代表性显微图像。

在168个芒粗糙度控制位点( “A "和“ B ")上，168个可替代等位基因所有可能的纯合遗传类显示出不同的倒刺密度和大小。

图2 显微镜下采集大麦芒图像实例。( A )原始图像，分辨率为1200 × 1600，( b ) 由ImageJ生成掩膜图。

表1 原始U-net和BarbNet的卷积参数。

          BarbNet模型训练集和验证集在4233个epochs的性能。( A )交叉熵损， ( B ) Dice系数。x轴和y轴分别表示epoch个数和性能。

BarbNet模型和U-net及其改进模型性能比较。( A )交叉熵损， ( B ) Dice系数。x轴和y轴分别表示epoch个数和性能。

156张芒图像中倒刺真实值(x轴)和预测值 (y轴)之间的相关性。每个点代表每张芒图像的倒刺总数。红色实线和点线分别表示拟合曲线和95 %置信区间。

R2值表明BarbNet图像分割和性状计算的计数值与真实值之间具有良好的一致性。