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。
在本文中,作者提出了一种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。2024/11/13
2024/11/1
2024/10/24
2024/10/18
2024/9/27
2024/1/11
2024/4/10
2024/3/18
2024/10/11
2024/10/8