[論文レビュー] Image-based phenotyping of diverse Rice (Oryza Sativa L.) Genotypes

Mukesh Kumar Vishal, Dipesh Tamboli+9 more|arXiv (Cornell University)|Apr 6, 2020

Smart Agriculture and AI参考文献 14被引用数 4

ひとこと要約

本研究では、10種の多様な稲（Oryza sativa L.）系統に対して、YOLOベースの深層学習を用いた画像ベースの形態計測フレームワークを提案する。この手法により、葉数、凸包面積、冠層広がりなどの形態的特徴を用いて、制御された環境下で耐乾性と感受性の系統を高精度に区別可能であり、Ward法による強固なクラスタリングが達成された。このフレームワークは、制御された条件下で高い形態的分解能を実現した。

ABSTRACT

Development of either drought-resistant or drought-tolerant varieties in rice (Oryza sativa L.), especially for high yield in the context of climate change, is a crucial task across the world. The need for high yielding rice varieties is a prime concern for developing nations like India, China, and other Asian-African countries where rice is a primary staple food. The present investigation is carried out for discriminating drought tolerant, and susceptible genotypes. A total of 150 genotypes were grown under controlled conditions to evaluate at High Throughput Plant Phenomics facility, Nanaji Deshmukh Plant Phenomics Centre, Indian Council of Agricultural Research-Indian Agricultural Research Institute, New Delhi. A subset of 10 genotypes is taken out of 150 for the current investigation. To discriminate against the genotypes, we considered features such as the number of leaves per plant, the convex hull and convex hull area of a plant-convex hull formed by joining the tips of the leaves, the number of leaves per unit convex hull of a plant, canopy spread - vertical spread, and horizontal spread of a plant. We trained You Only Look Once (YOLO) deep learning algorithm for leaves tips detection and to estimate the number of leaves in a rice plant. With this proposed framework, we screened the genotypes based on selected traits. These genotypes were further grouped among different groupings of drought-tolerant and drought susceptible genotypes using the Ward method of clustering.

研究の動機と目的

• 耐乾性と感受性の稲系統を区別する高スループットで非破壊的な形態計測パイプラインの開発を目的とする。
• 従来の形態計測の限界（主観的判断、時間消費、低スループット）を克服するため、自動画像解析を活用する。
• 多様な稲系統の主要な形態的特徴（葉数、凸包面積、冠層広がり、葉数／凸包面積比）を定量化する。
• YOLOv3が制御された温室条件下の稲植物において、葉先の正確な検出と葉数のカウントを実現するかを評価する。
• 抽出された画像由来の形態的特徴に基づき、階層的クラスタリング（Ward法）を用いて系統を耐乾性と感受性のクラスタに分類する。

提案手法

• 国立稲研究所（IARI）、ニューデリーのNDPPCで、LemnaTec scanalyzer3Dシステムを用いて、10系統の稲の上位からのRGB画像を5日間隔で収集した。
• 画像を前処理し、リサイズ（6576×4384）した。YOLOv3の学習用に約300枚の画像について手動で葉先をアノテーションした。
• YOLOv3（You Only Look Once）を用いて、葉先のリアルタイムオブジェクト検出を実装し、高速かつ高精度な葉数カウントを可能にした。
• 形態的特徴を算出：1株あたりの葉数、凸包面積、冠層広がり（水平および垂直方向）、葉数／凸包面積比。
• 抽出された画像由来の特徴に基づき、Ward法を用いた連結型階層的クラスタリングを適用し、形態的類似性に基づいて系統をグループ化した。
• GWAS研究から抽出した150系統のサブセットを用い、葉数に高い多様性を示す系統を対象とし、水分欠損（12.5％）および十分な灌水（25％）の条件下で実験を実施した。

実験結果

リサーチクエスチョン

• RQ1 YOLOベースの深層学習は、上位からのRGB画像から稲植物の葉先を正確に検出し、葉数を推定できるか？
• RQ2 画像由来の形態的特徴（例：凸包面積、冠層広がり、葉数／凸包面積比）の中で、耐乾性と感受性の稲系統を最も効果的に区別するものは何か？
• RQ3 画像ベースの形態計測は、従来の方法と比較して、乾ばつ耐性スクリーニングの精度とスループットをどの程度向上できるか？
• RQ4 制御されたストレス条件下で、画像由来の形態的特徴に基づき、Ward法による階層的クラスタリングは、稲系統のグループ化にどの程度効果的か？
• RQ5 単位凸包面積あたりの葉数比は、生育初期段階における植物の成長効率およびストレス応答の信頼できる指標として機能するか？

主な発見

• YOLOv3は、制御された環境下の稲植物において、葉先検出と葉数カウントの両面で高い正確性を達成し、信頼性の高い形態的特徴の定量化を可能にした。
• 単位凸包面積あたりの葉数が、耐乾性と感受性の系統の間で顕著な差を示す、重要な区別特徴として浮き彫りになった。
• 冠層広がり（水平および垂直方向）の測定値は、系統間で一貫した差を示し、形態的クラスタリングへの応用が有効であることを裏付けた。
• Ward法により、10系統の稲が画像由来の特徴に基づき、耐乾性と感受性の明確なクラスタに分類された。
• 提案されたフレームワークは、従来の形態計測と比較して、高スループットかつ再現性が高く、人的誤差と作業時間の削減が実現された。
• 深層学習と形態的特徴解析の統合により、非侵襲的で高分解能の形態計測が可能となり、稲における初期段階のストレス応答モニタリングに適したものとなった。