近日,，中國農(nóng)業(yè)科學(xué)院深圳農(nóng)業(yè)基因組研究所（嶺南現(xiàn)代農(nóng)業(yè)科學(xué)與技術(shù)廣東省實(shí)驗(yàn)室深圳分中心）潘瑋華課題組,、趙程課題組聯(lián)合太原理工大學(xué)韓曉紅課題組在《植物分子生物學(xué)(Plant Molecular Biology)》上發(fā)表了題為 “Leaf rolling detection in maize under complex environments using an improved deep learning method” 的論文,。該研究實(shí)現(xiàn)了玉米葉片卷曲表型的精準(zhǔn)檢測,，為深入了解玉米葉片卷曲背后的脅迫反應(yīng)以及適應(yīng)機(jī)制提供了參考。

葉片卷曲是植物為抵消如干旱,、高溫等各種環(huán)境脅迫的不利影響而進(jìn)化出的一種常見的適應(yīng)性反應(yīng),。這種適應(yīng)機(jī)制減少了光的截獲、蒸騰和葉片脫水,。深入了解葉片卷曲背后的機(jī)制,，首先是要確定這種表型的發(fā)生和程度。傳統(tǒng)的人工卷葉檢測方法效率低下,，對檢測卷葉的高通量方法研究也仍然有限,。

本研究使用的數(shù)據(jù)集獲取自深圳綜合試驗(yàn)基地的溫室，在玉米的整個生長周期中實(shí)施了科學(xué)的補(bǔ)水措施,，以管理水分脅迫水平,，導(dǎo)致從輕度到重度的不同程度的葉片卷曲。共獲取724張不同視角的高清彩色圖像,，包含7878個處于不同卷曲階段的目標(biāo)葉片,，用于構(gòu)建本研究的數(shù)據(jù)集。

圖1 | 數(shù)據(jù)集展示

為了實(shí)現(xiàn)玉米卷曲葉片的精確檢測,，研究人員提出了一種目標(biāo)檢測模型LRD,。為了捕捉葉片在不同生長階段引起的尺度變化，研究人員將可變形卷積（DCNv2）納入模型,。這一調(diào)整旨在提高模型檢測不同卷曲程度的葉片的能力,。此外，為了增強(qiáng)模型在遮擋或重疊情況下的檢測能力,，研究人員在模型檢測頭之前加入了卷積注意力機(jī)制（CBAM）,。這些改進(jìn)使該模型能夠有效地適應(yīng)復(fù)雜自然環(huán)境帶來的挑戰(zhàn)。

圖2 | LRD模型結(jié)構(gòu)

LRD模型經(jīng)訓(xùn)練后在測試集上達(dá)到了81.6%的平均檢測精度,。此外,，研究人員還對數(shù)據(jù)集進(jìn)行了數(shù)據(jù)增強(qiáng)，以提高模型在雨天,，大霧,，強(qiáng)光等各種常見惡劣天氣條件下的檢測能力。對于LRD模型的剪枝以及主干網(wǎng)絡(luò)的替換降低了模型復(fù)雜性,。大量實(shí)驗(yàn)驗(yàn)證了模型在真實(shí)農(nóng)業(yè)環(huán)境中的檢測效果,，在不影響實(shí)時推理速度的情況下實(shí)現(xiàn)了高精度的玉米葉片卷曲表型檢測。

圖3 | 對比實(shí)驗(yàn)檢測結(jié)果,。箭頭指向誤檢,，黃色邊界框表示漏檢。

模型權(quán)重、數(shù)據(jù)集以及源代碼可由GitHub (https://github.com/WangYH1740/LRD-YOLO)下載,。

基因組所與太原理工大學(xué)聯(lián)培碩士王元昊為本文第一作者,，基因組所與太原理工大學(xué)聯(lián)培碩士生荊雪斌為本文第二作者，基因組所助理研究員高永鋼為本文第三作者,?；蚪M所潘瑋華研究員、趙程研究員以及太原理工大學(xué)韓曉紅教授為本文共同通訊作者,。該項(xiàng)目得到了國家自然科學(xué)基金、深圳市科技計劃,、中國農(nóng)業(yè)科學(xué)院創(chuàng)新計劃以及國家重點(diǎn)研發(fā)計劃的資助,。

原文鏈接：https://link.springer.com/article/10.1007/s11103-024-01491-4