“芒”是禾谷类作物的一个重要表型，在漫长的进化史中自然进化而成。一般来说，“芒”有许多重要功能，如机械保护、种子传播及促进作物光合作用等。大多数“芒”的一个重要特征是表面具有微小倒钩状单细胞毛状体。芒上的倒钩的密度和大小因物种和栽培品种而异。在生产大麦时，这种半透明毛状体的存在会降低大麦产量。由于芒上的倒钩图像空间分辨率有限、对比度低且变化大，精确分割像微小物体这样的倒钩是一项关键且具有挑战性的任务，目前还没有合适的工具适用于麦芒图像的精确倒钩分割。

2023年7月，Plant Phenomics在线发表了Leibniz Institute for Plant Genetics and Crop Plant Research等单位题为Awn Image Analysis and Phenotyping Using BarbNet 的研究论文。

本研究提出了一种用于自动检测和表型分析大麦芒显微图像中的倒钩软件工具，该工具基于深度学习、卷积神经网络(CNN)的方法来分割大麦品种微观图像中的倒钩的深度学习模型BarbNet，能够检测不同的倒钩结构（平均准确率为90%）。此外，通过对所有不同表型类别进行无偏分类来实现高通量筛选，评估了不同的大麦芒成像技术来测量倒钩结构和密度，BarbNet分割图像的表型性状能够对4种芒的表型进行相当稳健的分类（准确率为>85%）。

本文提出的模型网络BarbNet是基于U-net分割模型的扩展，通过两者训练验证，评估比较，改进的U-net模型（BarbNet）在全自动分割不同大小，形状和密度的倒钩方面具有显着的准确性，为检测大麦芒图像中的倒钩提供了一种有效的解决方案（准确率为90%），模型BarbNet足够稳健，可以检测不同大麦芒表型中的倒钩。

图1麦芒成像(A)从每株大麦的主穗中收集中央3个麦芒。将麦芒的中央和基部贴在成像载玻片上，并在数码显微镜下生成显微照片。(B)麦芒基部近轴侧的代表性显微照片。在2个粗糙度控制位点（“A”和“B”）的2个替代等位基因的所有可能的纯合基因类别都显示出不同的倒钩密度和大小。

图2在显微镜下捕获的大麦芒图像示例

(A)分辨率为1，200 × 1，600 的原始图像。(B)由 ImageJ 生成的地面实况图像示例。

图3提出的用于大麦图像倒钩检测的U-net架构

图4 使用 k 均值在 4 种不同的倒钩分布（平滑、稀疏、中等和密集）上对表型性状进行聚类

(A)基底区域：计数与面积，平均F1得分：0.81。(B)中部区域：计数与面积，平均F1得分：0.86。(C)基底区域：计数与长度，平均F1得分：0.81。(D)中部区域：计数与长度，平均F1得分：0.88。这4个基因型聚集良好，在两个表型性状的麦芒中心区域F1评分为>85%。面积和长度要素以像素为单位进行测量。

论文链接：

https://doi.org/10.34133/plantphenomics.0081

——推荐阅读——

Plant Phenomics 回看 | 植物表型性状鉴定及其潜在应用

Nondestructive 3D Image Analysis Pipeline to Extract Rice Grain Traits Using X-Ray Computed Tomography

https://doi.org/10.34133/2020/3414926

Plant Phenomics | 一种基于CT成像的水稻3D稻穗图像分析和谷粒性状无损测量技术

A Strategy for the Acquisition and Analysis of Image-Based Phenome in Rice during the Whole Growth Period

https://doi.org/10.34133/plantphenomics.0058

Plant Phenomics | 一种水稻全生育期表型图像获取和分析策略