[논문 리뷰] Image-based phenotyping of diverse Rice (Oryza Sativa L.) Genotypes

Mukesh Kumar Vishal, Dipesh Tamboli외 9명|arXiv (Cornell University)|2020. 04. 06.

Smart Agriculture and AI참고 문헌 14인용 수 4

한 줄 요약

이 연구는 제한된 조건에서 10종의 다양한 밀도의 벼(Oryza sativa L.) 유전자형에서 고속 잎 수세기 및 형태학적 특성 추출을 위한 YOLO 기반 딥러닝 기반 이미지 기반 형질표현 프레임워크를 제안한다. 이 방법은 잎 수, 볼록 Hull 면적, 관개 범위 등의 특성들을 통해 내재성 내성 및 내성 유전자형을 정확하게 구분할 수 있으며, Ward의 방법을 통해 높은 형질 해상도를 확보한 강력한 군집화를 실현한다.

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.

연구 동기 및 목표

• 내재성 및 내성 벼 유전자형을 구분하기 위한 고속, 비파괴적 형질표현 파이프라인 개발.
• 기존 형질표현의 한계(주관성, 시간 소모, 낮은 처리량)를 극복하기 위해 자동화된 이미지 분석 기술을 활용.
• 다양한 벼 유전자형에 대해 핵심 형태학적 특성(잎 수, 볼록 Hull 면적, 관개 범위, 잎 수 대 볼록 Hull 비율)을 정량화.
• 제어된 온실 조건에서 YOLOv3의 정확한 잎 끝 탐지 및 잎 수 계산 성능 평가.
• 이미지 유도 형질표현 특성 기반으로 계층적 군집화(Ward의 방법)를 통해 유전자형을 내재성 및 내성 군집으로 분류.

제안 방법

• NDPPC, IARI, 뉴델리 소재의 LemnaTec 스캐너라이저3D 시스템을 사용해 10종의 벼 유전자형에 대해 5일 간격으로 상부 시각 RGB 이미지를 촬영.
• 이미지 전처리 및 크기 조정(6576×4384), YOLOv3 학습을 위한 약 300장의 이미지에서 수작업으로 잎 끝 주석 처리.
• 실시간 객체 탐지 기능을 갖춘 YOLOv3(You Only Look Once)를 사용해 잎 끝 탐지 및 신속 정확한 잎 수 계산.
• 형태학적 특성 계산: 식물당 잎 수, 볼록 Hull 면적, 관개 범위(수평 및 수직), 잎 수 대 볼록 Hull 비율.
• 추출된 이미지 기반 특성 기반으로 형질 유사도를 바탕으로 Ward의 연결 계층적 군집화를 적용해 유전자형 군집화.
• GWAS 연구에서 유래한 150개 유전자형의 하위 집합을 사용하여 잎 수의 고도의 다형성에 초점을 맞추며, 수분 부족(12.5%) 및 정상 수분(25%) 조건에서 실험.

실험 결과

연구 질문

• RQ1 YOLO 기반 딥러닝은 상부 시각 RGB 이미지에서 벼 식물의 잎 끝을 정확하게 탐지하고 잎 수를 추정할 수 있는가?
• RQ2 이미지 유도 형태학적 특성(예: 볼록 Hull 면적, 관개 범위, 잎 수 대 볼록 Hull 비율) 중 어느 것이 내재성 및 내성 벼 유전자형을 가장 잘 구분하는가?
• RQ3 이미지 기반 형질표현은 전통적 방법에 비해 내성에 대한 선별 정밀도와 처리량을 얼마나 향상시킬 수 있는가?
• RQ4 제어된 스트레스 조건 하에서 이미지 기반 형질표현 특성 기반으로 Ward의 계층적 군집화가 벼 유전자형을 얼마나 효과적으로 분류하는가?
• RQ5 단위 볼록 Hull 면적당 잎 수 비율은 초기 영양 생장 단계에서 식물 성장 효율성 및 스트레스 반응의 신뢰할 수 있는 지표가 될 수 있는가?

주요 결과

• YOLOv3는 제어 조건 하에서 잎 끝 탐지 및 잎 수 계산에 높은 정확도를 보이며, 벼 식물의 신뢰할 수 있는 형질표현 정량화를 가능하게 한다.
• 단위 볼록 Hull 면적당 잎 수가 내재성 및 내성 유전자형 간에 유의미한 차이를 보이며 핵심 구분 특성으로 부각된다.
• 관개 범위(수평 및 수직) 측정치는 다양한 유전자형 간 일관된 차이를 보이며, 형질표현 군집화에 활용 가능함을 뒷받침한다.
• Ward의 방법은 이미지 기반 특성 기반으로 10종의 벼 유전자형을 내재성 및 내성 유형으로 분명한 군집으로 성공적으로 분류하였다.
• 제안된 프레임워크는 높은 처리량과 재현 가능성을 보이며, 전통적 형질표현에 비해 인간 오류와 시간을 줄였다.
• 딥러닝과 형태학적 특성 분석의 통합은 비침습적, 고해상도 형질표현을 가능하게 하여, 벼에서 초기 스트레스 반응 모니터링에 적합하다.