顯微高光譜相機對芒( 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、機械保護、種子傳播和埋藏。芒的一個重要特征是外芒表面存在或不存在倒刺-細鉤狀的單細胞毛狀體，其可以使用顯微成像進行可視化。

然而，目前還沒有合適的軟件工具來對這些小的、半透明的結構進行高通量自動分析。

此外，利用傳統的模式檢測和分割方法對倒刺進行自動分析受到其光學外觀(包括尺寸，形狀和表面密度)高度可變性的阻礙。

基于專用深度學習模型——BarbNet進行大麥芒顯微圖像中倒刺自動檢測和表型分析的軟件工具。

BarbNet模型是對U-net原有的編碼器-解碼器CNN架構的改進版本，旨在對大麥芒倒刺進行語義分割。

與U-net模型不同，BarbNet在每個卷積層后加入批量歸一化，通過對各自層級的特征圖進行歸一化來增強網絡性能和穩(wěn)定性。

在BarbNet中沒有使用Dropout層，同時增加了kernel size以提高分割質量。

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。

實驗結果表明，BarbNet能夠檢測不同芒的倒刺結構，平均準確率為90%，準確率高于原始U-net模型及其改進的另外3種模型。

此外，從BarbNet分割圖像中提取的表型性狀可以對4種不同芒表型進行相當穩(wěn)健地分類，準確率大于 85 %，

表明該方法在大麥芒自動化分選中具有潛在的應用前景。

圖1  芒成像。( A )從每株植株的主穗上采集中部3個芒。芒的中央和基部被粘貼在成像載玻片上，并在數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個芒粗糙度控制位點( “A "和“ B ")上，2個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。

          BarbNet模型訓練集和驗證集在75個epochs的性能。( A )交叉熵損， ( B ) Dice系數。x軸和y軸分別表示epoch個數和性能。

BarbNet模型和U-net及其改進模型性能比較。( A )交叉熵損， ( B ) Dice系數。x軸和y軸分別表示epoch個數和性能。

156張芒圖像中倒刺真實值(x軸)和預測值 (y軸)之間的相關性。每個點代表每張芒圖像的倒刺總數。紅色實線和點線分別表示擬合曲線和95 %置信區(qū)間。

R2值表明BarbNet圖像分割和性狀計算的計數值與真實值之間具有良好的一致性。