基于机器学习的谷类作物种子发芽检测、预测与质量评价

文章来源: | 2020-12-24

种子发芽评价是种子研究人员衡量种子质量和性能的一项基本任务。通常,种子评估是手动完成的,这是一个繁琐、耗时且容易出错的过程。经典的图像分析方法不太适合大规模的发芽实验,因为它们通常依赖于手动调整基于颜色的阈值。

 

本文提出了一种基于机器学习的方法,该方法使用了具有候选区域的卷积神经网络(CNN),用于各种种子发芽实验的自动化和高通量评估本研究生成了玉米、黑麦、珍珠粟等谷物的2400多个种子及其发芽过程的标记成像数据集,总共23,000多张图像。采用迁移学习(transfer learning)方法训练各种深度学习模型,以便准确地检测图像中的种子,区分它们的发芽状态,最后计算出常用的发芽指数来衡量种子批次的质量和动态。

 

图1201224.jpg
图1 图像采集、注释和数据集生成模块示意图
a培养皿内种子发芽过程图像采集装置,b带注释图像的示例(橙色框为未发芽,蓝色框为已发芽),c自定义种子48小时的纵向图像(橙色框为未发芽,灰色框为难以标记的过渡阶段,蓝色框为已发芽),d数据集被随
机分为训练集、验证集和测试集。

表1 本研究中使用的注释数据集摘要
表1201224.jpg

图2201224.jpg
图2 各模型平均精度计算的关键步骤
 
研究结果显示我们提出的模型对玉米、黑麦、珍珠粟的平均精度分别为97.9%、94.2%和94.3%。与人工评估相比,我们提出的模型可以更准确地计算各种单值发芽指数,如平均发芽时间和发芽不确定性。

表2 不同模型架构的验证集和测试集的平均精度
表2201224.jpg

图3201224.jpg
图3 Inception-ResNet v2模型测试集的归一化混淆矩阵(以百分比表示)

图4201224.jpg
图4 测试数据集的预测示例

图5201224.jpg
图5 不同预测误差的描述

图6201224.jpg
图6测试集的发芽曲线

图7201224.jpg
图7 与实际情况相比的评估相对误差(90粒玉米种子)
 
与传统方法和手动方法相比,本文的方法可以以较低的错误率和更高的性能,加快种子发芽评估的过程,从而在较大的发芽实验中发挥更大的作用。

由于相关研究内容非常专业,难免有些理解不准确或者编辑整理的疏漏,请以英文原文为准。
全文阅读

Genze, N., Bharti, R., Grieb, M. et al. Accurate machine learning-based germination detection, prediction and quality assessment of three grain crops. Plant Methods, 2020, 16, 157.

   中文/En