研究团队开发出一种结合计算机视觉和深度学习的新方法,对干旱胁迫下的杨树幼苗进行表型分析,品种识别准确率达到 99%,胁迫程度分类准确率达到 76%。
这种高精度表型分析方法利用实例分割和多任务学习,提供精确的干旱胁迫检测。所提出的方法在抗旱杨树筛选和精确灌溉决策方面具有巨大潜力,可促进农业技术和植物胁迫管理的进步。
杨树 (Populus L.) 是一种速生林木,因其木材和防护林的作用而受到重视。当前的研究重点是提高木质生物量产量,尽管存在非生物和生物胁迫,但干旱胁迫是阻碍生长的重要因素,它会影响物质运输和光合作用。然而,传统的识别缺水植物或选择抗旱品种的方法效率低下且不准确。
2024 年 6 月 21 日发表在《植物表型学》上的一项研究探索了创新的计算机视觉和深度学习技术,以改善杨树幼苗的干旱胁迫检测和表型分析。
研究利用实例分割和叶片姿态数字化技术对杨树幼树进行分析,使用 FasterRCNN 模型对叶片、中脉和叶柄进行分割,部分效果优于 YOLO 模型。使用 AP0.5 值评估分割精度,FasterRCNN 在叶片分割方面表现更佳,YOLO 在中脉和叶柄检测方面表现优异。
计算了表示叶片生长姿势的角度 α 和 β,结果发现仅在不完整分割中存在误差。叶柄和中脉角度计算的平均绝对误差分别为 10.7° 和 8.2°。这些结果已使用新数据集进行验证,结果显示大多数误差在 [-5°, +5°] 范围内。
研究证实了利用模拟数据集训练的分割模型进行叶片姿态准确分析的有效性,尽管在严重干旱条件下会出现一些偏差。进一步分析表明,中脉水平倾斜角度受干旱胁迫的影响大于叶柄角度,证明了叶片姿态计算方法在植物状态分析中的价值。
该研究首席研究员之一张会春表示:“本研究提出的植物表型分析方法可进一步用于抗旱杨树植物筛选和精准灌溉决策。”
综上所述,本研究利用计算机视觉和深度学习对干旱胁迫下的杨树幼苗进行表型分析,重点是叶片姿态计算和胁迫水平识别。这些方法显著降低了人工注释成本,并展示了精准干旱胁迫检测的潜力。
未来的研究将集中于提高分割准确性并将这些技术扩展到其他植物物种以加强农业管理。