基于实例的干旱胁迫杨树幼树表型数据生成和叶水平分析

一个研究团队开发了一种将计算机视觉和深度学习相结合的新方法，对干旱胁迫的杨树树苗进行表型识别，品种识别准确率达到99%，胁迫水平分类准确率达到76%

这种高精度表型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、促进农业技术和植物胁迫管理方面具有重大潜力

杨树（Populus L.）是一种快速生长的林木，因其木材和在防护林中的作用而受到重视。目前的研究重点是在非生物和生物胁迫的情况下提高木质生物量的产量，干旱胁迫是通过影响物质运输和光合作用来阻碍生长的一个重要因素。然而，传统的鉴定缺水植物或选择抗旱品种的方法效率低且不准确

2024年6月21日发表在《植物表型》杂志上的一项研究探索了创新的计算机视觉和深度学习技术，以改进杨树树苗的干旱胁迫检测和表型

本研究利用实例分割和叶位数字化对杨树幼树进行分析。FasterRCNN模型用于分割叶片、中脉和叶柄，在某些方面优于YOLO模型。使用AP0.5值评估分割精度，FasterRCNN在叶分割方面表现出更高的性能，YOLO在中脉和叶柄检测方面表现出色

计算了指示叶片生长姿态的角度α和β，仅在不完全分割中显示了误差。叶柄角和中脉角计算的平均绝对误差分别为10.7°和8.2°。这些结果用一个新的数据集进行了验证，显示大多数误差在[-5°，+5°]范围内

该研究证实了使用在模拟数据集上训练的分割模型进行准确的叶片姿态分析的有效性，尽管在严重干旱条件下存在一些偏差。进一步分析表明，干旱胁迫对中脉水平倾角的影响大于对叶柄倾角的影响，证明了叶位计算方法在植物状态分析中的价值

根据该研究的主要研究人员之一张惠春（Huichun Zhang）的说法，“本研究中提出的植物表型分析方法可进一步用于干旱胁迫杨树的植物筛选和精确的灌溉决策。”

总之，本研究使用计算机视觉和深度学习对干旱胁迫杨树树苗进行表型分析，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，并展示了精确干旱胁迫检测的潜力

未来的研究将侧重于提高分割精度，并将这些技术扩展到其他植物物种，以加强农业管理 More information: Lei Zhou et al, Phenotyping for drought-stressed poplar sapling using exemplar-based data generation and leaf-level structural analysis, Plant Phenomics (2024). DOI: 10.34133/plantphenomics.0205