基于深度学习ImCascade R-CNN的小麦籽粒表形鉴定方法

[目的/意义]培育优质高产的小麦品种是小麦育种的主要目标,而小麦籽粒完整性直接影响小麦育种进程。完整籽粒与破损籽粒的部分特征差异较小,是限制基于深度学习识别破损小麦籽粒精准度的关键因素。[方法]为解决小麦籽粒检测精度低的问题,本研究建立ImCascade R-CNN模型,提出小麦籽粒表形鉴定方法,精准检测小麦籽粒完整性、分割籽粒并获取完整籽粒表形参数。[结果和讨论]ImCascade R-CNN模型检测小麦籽粒完整性的平均精度为90.2%,与Cascade Mask R-CNN、Deeplabv3+模型相比,能更好地识别、定位、分割小麦籽粒,为籽粒表形参数地获取提供基础。该方法测量粒长、粒宽的平均误差率分别为2.15%和3.74%,测量长宽比的标准误差为0.15,与人工测量值具有较高的一致性。[结论]研究结果可快速精准检测籽粒完整性、获取完整籽粒表形数据,加速培育优质高产小麦品种。

基于STLSTM的植物生长发育预测模型

提早预知植物生长发育是智能育种过程的重要组成部分,针对植物表型难以精准预测和模拟的问题,利用植物生长发育的空间和时间依赖性,提出了一种基于时空长短时记忆网络(Spatiotemporal long short-term memory,STLSTM)的植物生长发育预测模型,实现植物生长发育的预测。首先,通过微调Mask RCNN模型实现识别、提取植物掩模,预处理具有时空相关性的植物生长发育图像序列,构建植物生长发育预测数据集。然后,基于STLSTM建立植物生长发育预测模型,利用历史生长发育图像序列,融合时空深度特征,预测植物未来的生长发育图像序列。研究结果表明,所提出模型预测的图像序列与生长发育实际图像序列具有较高的一致性和相似性,首个预测时间节点的结构相似度为0.8741,均方误差为17.10,峰值信噪比为30.83,测试集的冠层叶面积、冠幅和叶片数预测R^(2)分别为0.9619、0.9087和0.9158。该研究实现了基于植物生长发育图像序列的生长发育预测,有效减少了田间反复试验的时间、土地和人力成本,为提高智能育种效率提供了参考。