深度学习在植物表型研究中的应用现状与展望

发布时间：2021-08-12 16:39

　　精确测量植物表型是深入分析表型-基因-环境互作关系,了解植物生理过程的前提和基础,也是培育良种和提升现代农业生产精准管控的关键。伴随高通量植物表型测量与分析技术的不断发展,以深度学习为代表的人工智能方法在植物表型研究与应用中取得了一系列重要进展。为系统阐述相关研究最新成果和热点问题,该研究首先概述了植物表型与深度学习方法的背景;随后从植物识别与分类、胁迫分析、产量预测、面向精准育种和精准管理的表型分析等方面综述了深度学习在植物表型交叉研究的进展;最后提出了未来深度学习和植物表型交叉融合研究与应用中亟需解决的问题,并展望了植物表型研究智能化的发展前景。 

【文章来源】：农业工程学报. 2020,36(09)北大核心EICSCD

【文章页数】：16 页

【部分图文】：

WTPlant系统框图

图1 WTPlant系统框图在基于图像视觉特征的农田杂草种子分类与识别研究方面，Wang和Cai[29]构建了深度学习网络PCANet，相比之前类似研究中对图像特征提取过程存在的噪声较大和有效特征丢失的问题，该网络表现出对噪声更好的抑制能力和对重要特征的更有效抓取能力，在对91种杂草种子图像的平均识别率也达到了90.96%，对其中的45种杂草识别率达到100%，为精细农业生产中的杂草鉴别提供了可借鉴方法。

在非生物胁迫方面，温室效应导致全球变暖日益加剧，不同程度的自然灾害时有发生，严重威胁到农林牧业的稳定生产和自然生态环境安全。表4列举了近年来深度学习在植物非生物胁迫分析中的一些代表性工作，研究对象多聚集在主粮作物和经济作物。干旱作为影响主要经济作物生产的关键影响因素之一，每年都会在全球范围内造成巨大的经济损失。通过培育对非生物胁迫具有更强抗性的优良品种等[55]手段是实现在干旱和半干旱地区提高作物产量的可行技术路线。在通过对抗旱基因型-表型的筛选来培育抗旱品种的相关研究中，Sun等[53]利用叶绿素荧光成像动态监测盐分过度敏感（Salt Overly Sensitive,SOS）突变体在干旱条件下的时间序列响应（图4），并提取拟南芥SOS突变体在干旱胁迫下的荧光指纹图谱。通过深度学习算法SAE神经网络提取时间序列叶绿素荧光特征，然后将其用于对SOS11、SOS23和Col 0三个基因型的拟南芥叶绿素荧光指纹图谱的识别，准确度可达95%。该项研究的结果为了解干旱基因在SOS通路中的功能提供了一种有效的观测手段，同时也为提高作物抗性育种效率提供了新思路。

【参考文献】：
期刊论文
[1]图像理解中的卷积神经网络[J]. 常亮,邓小明,周明全,武仲科,袁野,杨硕,王宏安.  自动化学报. 2016(09)



本文编号：3338684