识别田间条件下小麦的穗区域的表型分析方法
2019年6月，Plant Phenomics刊发了由来自英国诺里奇研究所（Norwich Research Park）的Tahani Alkhudaydi等人撰写的题为An exploration of deep-learning based phenotypic analysis to detect spike regions in field conditions for UK bread wheat的研究论文，介绍了基于深度学习的识别田间条件下英国面包小麦的穗区域的表型分析方法。英国诺里奇研究所/南京农业大学的周济教授和英国诺里奇研究所的Beatriz de la Iglesia为本文通讯作者。
小麦是世界上的主要农作物之一，到2050年，全球小麦需求预计将达到8.5亿吨，明显超过目前的供应量。由于气候条件波动，世界人口不断增长，维持小麦产量的持续压力要求育种家在不同环境中提高产量和产量稳定性。本文作者正努力将深度学习与基于田间的表型分析相结合，以协助育种家进行这项工作。
Wheat growth image series collected by CropQuant workstations,
from 2015 growing season to 2017 growing season, ranging from booting to
grain filling stages.
本研究利用了分布式表型分析工作站-CropQuant收集的小麦图像，这些工作站用于不同的英国面包小麦品种的多年田间试验。基于这些图像系列，本文开发了一种基于深度学习的分析管道，用于复杂背景的穗区分割。
The training, validation, and testing strategy for developing Fully Convolutional Networks (FCN).
本文提出了一种有前景的方法作为田间关键产量性状稳健性测定的第一步，其采用全卷积网络（FCN）对图像进行语义分割以分割小麦穗区域。本文还通过使用从其他图像数据集获得的参数来证明迁移学习的优势。本文发现FCN架构在验证数据上的平均分类准确度（MA）>
82％，在测试数据上> 76％，在验证数据上平均交联值（MIoU）> 73％，在测试数据集中> 64％。
通过这一表型组学研究，研究者相信其尝试很可能在提取单位面积穗数和每穗小穗数等与产量相关的关键性状方面奠定了良好的基础，可为今后以产量为中心的小麦育种目标提供帮助。
在这项研究中，研究人员探索了一种结合深度学习和计算机视觉的方法，该方法通过基于像素的分割来识别小麦生长图像上的小麦穗区域。该方法是使用Python和TensorFlow后端实现的，后者为研究人员建立FCN架构提供了框架。然后，研究人员将工作从训练阶段转向最终的图像级别的两类预测。本研究的目标是获得一个分类器，以便在不知道小麦穗的维度和空间特征时使用标准的深度学习方法分析小麦穗区域。为了满足这一要求，研究人员建立了一个FCN模型，该模型用于分割连续三年获得的不同天气条件下小麦生长图像系列中的穗区。所有图像中的穗区都由专业人士使用标注工具在像素等级进行标注。模型性能在验证数据集（2016年图像集）和测试数据集（2017年图像集）上得到了验证。研究人员发现，无论是2016年（MA：82.13%）还是2017年（MA：76.0%），FCN都相对成功的检测到穗区域。此外，当对尺寸较大的子图像进行训练时，FCN表现得更好。然后，研究人员通过加载从ImageNet中学习到的参数，应用迁移学习来提高FCN模型的性能，这对分割结果产生了积极的影响。
本研究的局限性可以概括为三点：（1）在识别孕穗期和抽穗期的穗区域时，该模型的准确率有限；这可能是由于缺乏这两个阶段的训练数据造成的;（2）模型遇到了一些意想不到的背景对象，如草，这增加了假阳性率；同样，研究人员相信更多的训练数据或数据扩充可以解决这个问题；（3）由于严峻的光照和天气条件，该模型在2017年的数据集中的表现相对较差。通过在训练集中包含更多的历史图像或人工分类的图像，以及探索其他深度学习分割架构(如DeepLap)和一些传统的ML（机器语言）分割方法，研究人员或许能够克服这些基于图像的局限性。同时，研究者还将在多任务学习环境中尝试进行其他的学习任务，以提高解决方案的可靠性。
How to Cite this Article
Tahani Alkhudaydi, Daniel Reynolds, Simon Griffiths, Ji Zhou, and
Beatriz de la Iglesia, “An Exploration of Deep-Learning Based Phenotypic
Analysis to Detect Spike Regions in Field Conditions for UK Bread
Wheat,” Plant Phenomics, vol. 2019, Article ID 7368761, 17 pages, 2019. https://doi.org/10.34133/2019/7368761.
About Plant Phenomics
《植物表型组学》（Plant Phenomics）是由南京农业大学和美国科学促进会（AAAS）合作创办的英文学术期刊，于2019年1月正式上线发行，是Science合作出版的第二本期刊。采用开放获取形式，刊载植物表型组学交叉学科热点领域具有突破性科研进展的原创性研究论文、综述、数据集和观点。具体范围涵盖高通量表型分析的最新技术，基于图像分析和机器学习的表型分析研究，提取表型信息的新算法，作物栽培、植物育种和农业实践中的表型组学新应用，与植物表型相结合的分子生物学、植物生理学、统计学、作物模型和其他组学研究，表型组学相关的植物生物学等。
