一个研究小组开发了 DEKR-SPrior 模型，以改进大豆豆荚和种子的高通量表型分析。该模型通过新颖的 SPrior 模块增强了特征区分能力，与现有模型相比，显著降低了豆荚表型分析的平均绝对误差。DEKR-SPrior 能够准确计数和定位密集的豆荚和种子，有望简化大豆育种过程，为提高作物产量预测和推进农业研究提供宝贵工具。
大豆是一种重要的农业豆科植物，富含蛋白质和油脂，育种者希望通过种子重量、形状和豆荚数量等特性来提高产量。当前的研究利用深度学习 (DL) 进行高通量表型分析，但传统方法既费力又容易出错。基于分割和基于检测的 DL 方法面临着密集重叠豆荚的挑战。为了解决这些问题，重点已转移到探索基于点的检测方法，例如 P2PNet，以准确地对大豆豆荚和种子进行原位表型分析。
2024 年 6 月 27 日发表在《植物表型学》上的一项研究 (DOI：10.34133/plantphenomics.0198)提出了 DEKR-SPrior 模型，结合结构先验知识，以提高大豆豆荚表型分析的准确性。
在本研究中，在包含 205 张裁剪大豆植株图像的高分辨率子图像数据集上，将 DEKR-SPrior 模型与其他四个自下而上的模型(Lightweight-OpenPose、OpenPose、HigherHRNet 和原始 DEKR)的性能进行了比较。DEKR-SPrior 表现出色，AP、AP50、AP(1 粒)、AP(2 粒)、AP(3 粒)和 AP(4 粒)值分别为 72.4%、91.4%、71.7%、80.9%、85.6% 和 83.6%。与原始 DEKR 相比，DEKR-SPrior 在所有指标上均显示出显着改善，尤其是 2 粒和 3 粒豆荚的 AP 显着提高。精确召回 (PR) 曲线表明 DEKR-SPrior 在给定的召回率下保持了更高的精确度，有效减少了漏检和误检。结果可视化显示，即使在密集的豆荚中，也能准确识别和连接种子位置。消融分析进一步证实了 SPrior 模块提供的增强功能，在特定的超参数值下可实现最佳性能。DEKR-SPrior 在全尺寸图像测试中也优于其他模型，在种子和豆荚计数方面实现了较低的平均绝对误差 (MAE) 和较高的皮尔逊相关系数 (PCC)，凸显了其在大豆表型分析中的有效性。
该研究首席研究员何晶晶表示：“这篇论文展示了 DEKR-SPrior 在植物表型分析方面的巨大潜力，我们希望 DEKR-SPrior 能够为未来的植物表型分析提供帮助。”
综上所述，DEKR-SPrior 模型实现了更高的准确率和召回率，证明了其在准确检测和计数大豆豆荚和种子方面的有效性。展望未来，DEKR-SPrior 具有巨大的潜力，可通过提供更准确、更有效的作物性状表型分析方法来推动农业研究和育种计划。该模型可以进一步完善和适应其他作物，从而提高产量预测能力并促进粮食安全。
免责声明：本文由用户上传，如有侵权请联系删除！
