深度學(xué)習(xí)實(shí)現(xiàn)玉米和高粱葉片計(jì)數(shù)自動(dòng)化

葉片數(shù)量和葉片出苗率是植物育種家、植物遺傳學(xué)家和作物模型學(xué)家感興趣的表型。即使對一個(gè)沒有經(jīng)過專業(yè)訓(xùn)練的普通人員，

計(jì)算一株植物現(xiàn)有的葉子數(shù)量也是很簡單的，但手動(dòng)跟蹤數(shù)百個(gè)個(gè)體在多個(gè)時(shí)間點(diǎn)上的葉子數(shù)量變化卻是十分具有挑戰(zhàn)性的。

追蹤植物葉片數(shù)量的挑戰(zhàn)。在發(fā)育早期產(chǎn)生的葉子會(huì)在植物的整個(gè)生命周期中衰老和死亡，且在成熟時(shí)無法檢測到。

 (a)種植后32天的玉米植株(有8片可見葉片)。

(b) 種植后34天時(shí)的同一株玉米。上面的三片葉子都明顯變長了，而底部的葉子(紅色橢圓形)已經(jīng)衰老，不再可見，

因此這棵玉米現(xiàn)只有七片葉子可見。

(c)一張俯視的全葉擬南芥植株的蓮座狀葉子結(jié)構(gòu)圖。

(d) a和b圖中同一玉米植株的俯視照片。d圖中的葉片閉塞比c圖更為嚴(yán)重。

研究為葉片計(jì)數(shù)項(xiàng)目整理了一個(gè)龐大的數(shù)據(jù)集，其中包括超過15萬張玉米和高粱的RGB圖像。

17783張圖片的標(biāo)注中還包括單個(gè)葉尖位置的標(biāo)注。利用這些標(biāo)注的圖像，我們評估了兩種基于深度學(xué)習(xí)的自動(dòng)葉片計(jì)數(shù)方法：

第一種是基于整張圖片分析的回歸計(jì)數(shù)，

第二種基于深度學(xué)習(xí)檢測的計(jì)數(shù)方法。

兩種方法的均方根誤差(RMSE)都小于1，僅略低于人工技術(shù)的0.57-0.73。

葉計(jì)數(shù)的人為標(biāo)注錯(cuò)誤：(a)同一幅圖像不同觀察者獨(dú)立標(biāo)注的葉數(shù)標(biāo)注之間的一致性。

深藍(lán)色的點(diǎn)表示從大量不同的圖像中觀察到的，而淺藍(lán)色的點(diǎn)表示從少量不同的圖像中觀察到的。

左上角顯示了被測圖像總數(shù)、相關(guān)系數(shù)的平方(r2)、均方誤差的根(RMSE)和一致性。最佳線性回歸線用紅色表示，

擬合方程在右下角給出。(b)兩名觀察員對識(shí)別玉米植株新生的新葉子意見不一致的圖像(紅色箭頭)。

一個(gè)觀察者選擇的葉尖位置用紅色的圓圈表示，

另一個(gè)觀察者用藍(lán)色的正方形表示。(c)兩名觀察員對衰老和可能受損的葉子的注釋意見不一致的圖片(紅色箭頭)。(d)圖像的一個(gè)例子，

其中一個(gè)觀察者識(shí)別出第二個(gè)觀察者遺漏的部分遮擋或重疊的葉子(紅色箭頭)。(e)一株玉米的葉序轉(zhuǎn)移到上部葉片，

使從任何一側(cè)觀察角度都難以標(biāo)注的例子。圖b- e的原始圖像被裁剪，以便于查看。圖中視野之外所做的標(biāo)注不會(huì)顯示出來。

基于卷積神經(jīng)網(wǎng)絡(luò)(CNNs)的回歸計(jì)數(shù)方法展現(xiàn)出較低的精度和魯棒性?；贔aster R-CNNs(區(qū)域卷積神經(jīng)網(wǎng)絡(luò))目標(biāo)檢測模型的檢測計(jì)數(shù)方法，

在所有葉尖都可見的植物中實(shí)現(xiàn)了接近人工計(jì)數(shù)的性能。作為本研究的一部分，

生成的帶注釋的圖像數(shù)據(jù)和模型性能指標(biāo)為比較和改進(jìn)谷物作物圖像數(shù)據(jù)的葉片計(jì)數(shù)算法提供了大量數(shù)據(jù)資源。