品质至上,客户至上,您的满意就是我们的目标
技术文章
当前位置: 首页 > 技术文章
Plant Phenomics | 南京农业大学开发人工智能创新识别黄瓜性状系统
发表时间:2024-07-08 07:47:19点击:264
来源:植物表型组学
分享:
黄瓜(Cucumis sativus L.)是深受消费者青睐的重要蔬菜作物,具有较高的营养、经济价值。近年来育种家和分子生物学家在黄瓜果实外观品质形成的遗传与调控方面取得了很多突破,但是黄瓜果实外观性状绝大多数为复杂的数量性状,由于传统鉴定方法在测量精度、测量准确性和测量效率等方面的局限性,大部分的关键遗传位点未能获得解析。因此,探索一种高精度、实时、快速的黄瓜果实外观的鉴定测量技术,对于提高黄瓜果实育种改良效率以及完善瓠果果实发育模型都有重要意义。
2024年6月27日,Plant Phenomics 在线发表了南京农业大学园艺学院黄瓜遗传育种团队和人工智能学院薛卫副教授团队合作完成的 CucumberAI: Cucumber fruit morphology identification system based on artificial intelligence的研究论文,该论文发表一个黄瓜果实外观性状高通量测定与数据提取系统——CucumberAI。
图1 CucumberAI流程
CucumberAI用于全面、快速、准确鉴定黄瓜性状。为黄瓜定量分析、遗传育种提供关键支撑。研究主要进展包括(a)相比于现有研究,建立了一套系统的、更全面的黄瓜性状体系与计算模型,包含形状指标、表面特征指标和果肉指标三大类,外形分级、瓜把形状、瓜尖形状、果瘤密度、瓜斑纹特征、表面光滑度和心腔特征7子类,共51个性状特征参数,其中首次定义的参数达到32个,(b)首次提出量化果瘤、瓜斑纹类型,以及心室计量指标,(c)果实表面光滑度对黄瓜定价至关重要,而常用的衡量指标瓜棱深度和瓜刺瘤大小极难获取。CucumberAI创造性地提出了一个基于深度学习的算法流程,得出一组量化光滑度的指标。(d)基于图像处理技术和深度学习算法,构建性状检测算法架构,骨架提取与优化流程有效解决了黄瓜外表毛刺、扭曲等骨架多余分支、曲折及两端缺失的问题,为瓜体分割以及其他形状参数计算的精确性提供了有力的保证。相比于已有研究准确分割出更多黄瓜部位,这对检测出所有黄瓜性状至关重要,以及(e)形成完整的黄瓜图像数据集,为更广泛的研究提供基础。
图2 果瘤检测、图像分割效果对比及传统实物测量与图像识别性状一致性分析
CucumberAI是第一个完整获取黄瓜性状的pipeline。图像识别策略替代了传统方法中的性状分级方式,所有的性状都实现了数据化描述,对于复杂的性状而言,鉴定的结果更加的精准。由人工智能辅助的高通量数据采集方法将为未来黄瓜果形基因挖掘,自动化采收和采后分级提供有力的技术支撑。
南京农业大学人工智能学院薛卫副教授为第一作者,园艺学院李季教授为本文通讯作者,园艺学院研究生丁海峰、孟佳霖(已毕业)、王诗友,人工智能学院研究生金涛、刘佐共同参与了该研究。南京农业大学马秀鹏教授参与了论文的撰写。该研究得到国家自然科学面上项目、中央高校基本科研业务费项目和江苏省优势学科建设项目的资助。
通讯作者与团队简介
南京农业大学黄瓜遗传改良与种质创新团队是作物遗传与种质创新利用国家重点实验室的组成部分,近年来以黄瓜、甜瓜等蔬菜作物为主要研究对象,在种质资源收集与创新、目标性状解析与定向改良、育种新方法和新品种培育等方面开展了深入研究。团队成员主持多项国家自然科学基金重点项目和面上项目以及国家重点研发计划子课题等国家及省部级项目,在Advanced Science、Plant Journal、Horticulture Research 等期刊发表SCI论文200余篇,获得教育部技术发明奖一等奖1项、教育部自然科学奖二等奖1项、农业部中华农业科技奖一等奖1项、江苏省科学技术二等奖1项。培育出黄瓜鲜食型、水果型、加工型等系列新品种15个,获得国家发明专利10余项,国际专利1项。薛卫副教授团队长期从事人工智能与农业交叉学科研究。在利用人工智能进行基因和蛋白序列编码与功能预测、堆肥腐熟预测、梨树病害检测和根系构型分析等方面取得了系列进展和突破,相关成果在Brief Bioinform、Bioresour Technol、Biomed Res Int等国际权威杂志发表研究论文25篇,获授权/受理国家发明专利8件,软著19套。
论文链接:
https://doi.org/10.34133/plantphenomics.0193
——推荐阅读——
Toward Real Scenery: A Lightweight Tomato Growth Inspection Algorithm for Leaf Disease Detection and Fruit Counting
https://doi.org/10.34133/plantphenomics.0174
Plant Phenomics | 加拿大麦吉尔大学联合江苏省农科院提出面向真实世界的番茄植株叶片健康和果实监测轻量算法
FCOS-LSC: A Novel Model for Green Fruit Detection in a Complex Orchard Environment
https://doi.org/10.34133/plantphenomics.0069
Plant Phenomics | FCOS-LSC: 针对复杂果园中绿色果实的检测模型
加入作者交流群
扫码添加小编微信,拉您进入《植物表型组学》作者交流群,群内不定期开展作者分享会、专刊发布会等高质量活动。
添加小编微信,备注姓名+单位+PP,加入作者交流群
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。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。期刊已被DOAJ、Scopus、PMC、EI和SCIE等数据库收录。科睿唯安JCR2022影响因子为7.6,位于农艺学、植物科学、遥感一区。2023年中科院期刊分区位于农林科学大类一区。2020年入选中国科技期刊卓越行动计划高起点新刊项目、2024年入选江苏科技期刊卓越行动计划领军期刊项目。
说明:本文由《植物表型组学》编辑部负责组稿。
中文内容仅供参考,一切内容以英文原版为准。
排版:赵庆泽(南京农业大学)
审核:孔敏、王平