欧亚国际

2020年2月，Plant Phenomics刊发了美国内布拉斯加大学林肯分校（University of Nebraska-Lincoln）James C. Schnable课题组题为Semantic Segmentation of Sorghum Using Hyperspectral Data Identifies Genetic Associations的研究论文，本文对高粱属植物的高光谱图像进行语义分割的一系列方法进行了评估。

本研究描述了对高粱属植物的高光谱图像进行语义分割的一系列方法的评估，将每个像素划分为非植物或属于三种器官类型(叶、茎、穗)中的一种。尽管目前许多分割方法侧重于将植物像素从背景中分离出来，但器官特异性分割使测量较广泛的植物属性变得可行。利用从高粱群体中收集到的一组高光谱图像作为人工评分训练数据来训练和评估一组监督分类模型。对于这种分类任务，许多算法都显示出可接受的准确性。以高粱数据为训练对象的算法能够准确地对玉米叶片和茎干进行分类，但无法准确地对玉米生殖器官进行分类，玉米的这些生殖器官并不直接等同于高粱的穗。从高粱器官的语义分割中提取的性状测量值可用于鉴定先前测量过的已知的控制表型变化的基因(如穗的大小和株高)，也可以用来识别种群中先前未量化过的控制性状的信号基因(如茎叶比)。器官水平的语义分割为识别控制高粱、玉米及其他相关粮食作物中众多形态学表型变异基因提供了机会。 

Fig.1: Steps involved in data acquisition, annotation, model training and evalsuation, and genetic association analyses described in this study.

本研究使用高通量表型平台生成了一组高粱和玉米的关联群体的高光谱图像。每个高光谱数据立方体包含546 nm到1700 nm的254个波段，覆盖部分可见光光谱和红外光光谱。利用众包平台Zooniverse手动注释了高粱图像中的7650个像素（包括背景，穗，叶和茎），这大大减少了开发能够记录被单击的像素位置和相应标签信息以生成基本真实数据的工具的工作量。通过五折交叉验证对八种机器学习算法进行了评估，其中大多数算法在高粱语义分割任务中表现良好。

Fig.2: Distinct reflectance patterns of manually classified hyperspectral pixels

上述工作证明了利用高光谱成像数据可以实现作物器官水平的准确语义分割。然而，为了使这一方法在植物生物学和植物育种领域产生重大影响，还需要解决一些挑战。先进个挑战是在较多不同的数据集中确保器官级像素分类的准确性。对高粱数据进行训练和测试，分类准确率较高；对高粱数据进行训练，在玉米数据中进行分类准确率较低。本研究还测试了高粱模型的泛化能力，通过对营养生长阶段收集到的一组图像进行测试来评估对灌浆期高粱数据进行训练所得模型的准确性。与交叉验证相比，预测精度有所下降，表明存在一定程度的过拟合，但仍保持较高水平(>95%)。在不同数据集的训练和预测中，过度拟合是常见的现象，而SVM和LDA模型的平均准确率仍在95%以上，表明语义分割方法可以应用于不同的高粱数据集。未来可以利用生长在不同环境和受到不同胁迫的高粱植株的数据进一步测试其通用性。未来的工作可以通过从较广泛的实验中收集人工数据来提高预测模型的鲁棒性。改进的另一种潜在途径是将地方或的空间信息纳入预测。未来较迫切的需要是从大量的基因型中收集图像数据，较好是在一系列的处理下进行多次重复，这样就可以在不同的环境中识别控制高粱表型变化的基因。

How to Cite this Article

Chenyong Miao , Alejandro Pages , Zheng Xu , Eric Rodene , Jinliang Yang , and James C. Schnable, “Semantic Segmentation of Sorghum Using Hyperspectral Data Identifies Genetic Associations,” Plant Phenomics, vol. 2020, Article 4216373, 11 pages, 2020. http://doi.org/10.34133/2020/4216373

专刊征稿：智慧农业系统的图像分析与机器学习

点击阅读相关文章

Latent Space Phenotyping: Automatic Image-Based Phenotyping forTreatment Studies

文章介绍请点击

Plant Phenomics | 潜在空间表型：用于抗性研究的自动化图像表型Nondestructive Phenomic Tools for thePrediction of Heat and Drought Tolerance at Anthesis inBrassicaSpecies

文章介绍请点击

Plant Phenomics |新方法！预测芸薹属植物花期耐热抗旱性的无损表型测量方法

A weakly Supervised Deep Learning Framework for Sorghum Head Detection and Counting

文章介绍请点击

Plant Phenomics | 一种用于高粱头状花序检测和计数的弱监督深度学习框架 

About Plant Phenomics

《植物表型组学》（Plant Phenomics）是由南京农业大学和美国科学会（AAAS）合作创办的英文学术期刊，于2019年1月正式上线发行，是Science合作出版的第二本期刊。采用开放获取形式，刊载植物表型组学交叉学科热点领域具有突破性科研进展的原创性研究论文、综述、数据集和观点。具体范围涵盖高通量表型分析的较新技术，基于图像分析和机器学习的表型分析研究，提取表型信息的新算法，作物栽培、植物育种和农业实践中的表型组学新应用，与植物表型相结合的分子生物学、植物生理学、统计学、作物模型和其他组学研究，表型组学相关的植物生物学等。2019年8月，已正式被DOAJ数据库收录。

翻译：孙港

编辑：黄艺清（实习）、孔敏

审核：尹欢