[论文解读] 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 4

一句话总结

本研究提出了一种基于图像的表型分析框架，采用基于YOLO的深度学习方法，对10种不同水稻（Oryza sativa L.）基因型进行高通量的叶片计数和形态学性状提取。该方法通过叶片数量、凸包面积和冠层扩展等性状，能够准确区分耐旱与敏感基因型，结合Ward法实现稳健聚类，在受控条件下表现出高表型分辨率。

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.

研究动机与目标

• 开发一种高通量、非破坏性的表型分析流程，用于区分耐旱与易感水稻基因型。
• 通过自动化图像分析，解决传统表型分析方法存在的主观性、耗时和通量低等局限性。
• 量化关键形态学性状——叶片数量、凸包面积、冠层扩展和叶面积与凸包面积比，针对多种水稻基因型。
• 评估YOLOv3在受控温室条件下对水稻植株叶片尖端检测和叶片计数的准确性。
• 基于图像提取的表型性状，利用层次聚类（Ward法）将基因型划分为耐旱和易感簇群。

提出的方法

• 在印度新德里IARI的NDPPC，使用LemnaTec scanalyzer3D系统，以5天为间隔采集10种水稻基因型的顶部RGB图像。
• 对图像进行预处理和缩放（6576×4384），并在约300张图像上手动标注叶片尖端，用于YOLOv3训练。
• 训练YOLOv3（You Only Look Once）以实现实时叶片尖端目标检测，实现快速准确的叶片计数。
• 计算形态学性状：每株的叶片数、凸包面积、冠层扩展（水平和垂直方向）以及叶面积与凸包面积比。
• 应用Ward链接层次聚类方法，基于提取的图像表型性状对基因型进行聚类分组。
• 使用来自GWAS研究的150个基因型子集，重点关注叶片数量的高多态性，在水分亏缺（12.5%）和充分供水（25%）条件下进行实验。

实验结果

研究问题

• RQ1 基于YOLO的深度学习能否在顶部RGB图像中准确检测叶片尖端并估算水稻植株的叶片数量？
• RQ2 哪些图像衍生的形态学性状（如凸包面积、冠层扩展、叶面积与凸包面积比）最能区分耐旱与易感水稻基因型？
• RQ3 与传统方法相比，基于图像的表型分析在多大程度上能提高耐旱性筛选的精度和通量？
• RQ4 Ward层次聚类在受控胁迫条件下，基于图像衍生的表型性状对水稻基因型的分组效果如何？
• RQ5 单位凸包面积内的叶片数量比能否作为水稻早期营养生长阶段植物生长效率和胁迫响应的可靠指标？

主要发现

• YOLOv3在受控条件下实现了叶片尖端检测和叶片计数的高精度，支持对水稻植株的可靠表型量化。
• 单位凸包面积的叶片数量成为关键区分性状，耐旱与易感基因型之间表现出显著差异。
• 冠层扩展（水平和垂直方向）的测量结果在不同基因型间表现出一致差异，支持其在表型聚类中的应用。
• Ward法成功基于图像衍生性状，将10种水稻基因型划分为耐旱和易感的明确簇群。
• 所提出的框架展现出高通量和可重复性，相比传统表型分析显著减少了人为误差和时间消耗。
• 深度学习与形态学性状分析的结合，实现了非侵入性、高分辨率的表型分析，适用于水稻早期胁迫响应的监测。