精確測量植物表型是深入分析表型-基因-環(huán)境互作關(guān)系,了解植物生理過程的前提和基礎(chǔ),也是培育良種和提升現(xiàn)代農(nóng)業(yè)生產(chǎn)精準管控的關(guān)鍵。伴隨高通量植物表型測量與分析技術(shù)的不斷發(fā)展,以深度學習為代表的人工智能方法在植物表型研究與應(yīng)用中取得了一系列重要進展。為系統(tǒng)闡述相關(guān)研究最新成果和熱點問題,該研究首先概述了植物表型與深度學習方法的背景;隨后從植物識別與分類、脅迫分析、產(chǎn)量預(yù)測、面向精準育種和精準管理的表型分析等方面綜述了深度學習在植物表型交叉研究的進展;最后提出了未來深度學習和植物表型交叉融合研究與應(yīng)用中亟需解決的問題,并展望了植物表型研究智能化的發(fā)展前景。 

【文章來源】：農(nóng)業(yè)工程學報. 2020,36(09)北大核心EICSCD

【文章頁數(shù)】：16 頁

【部分圖文】：

WTPlant系統(tǒng)框圖

圖1 WTPlant系統(tǒng)框圖在基于圖像視覺特征的農(nóng)田雜草種子分類與識別研究方面，Wang和Cai[29]構(gòu)建了深度學習網(wǎng)絡(luò)PCANet，相比之前類似研究中對圖像特征提取過程存在的噪聲較大和有效特征丟失的問題，該網(wǎng)絡(luò)表現(xiàn)出對噪聲更好的抑制能力和對重要特征的更有效抓取能力，在對91種雜草種子圖像的平均識別率也達到了90.96%，對其中的45種雜草識別率達到100%，為精細農(nóng)業(yè)生產(chǎn)中的雜草鑒別提供了可借鑒方法。

在非生物脅迫方面，溫室效應(yīng)導(dǎo)致全球變暖日益加劇，不同程度的自然災(zāi)害時有發(fā)生，嚴重威脅到農(nóng)林牧業(yè)的穩(wěn)定生產(chǎn)和自然生態(tài)環(huán)境安全。表4列舉了近年來深度學習在植物非生物脅迫分析中的一些代表性工作，研究對象多聚集在主糧作物和經(jīng)濟作物。干旱作為影響主要經(jīng)濟作物生產(chǎn)的關(guān)鍵影響因素之一，每年都會在全球范圍內(nèi)造成巨大的經(jīng)濟損失。通過培育對非生物脅迫具有更強抗性的優(yōu)良品種等[55]手段是實現(xiàn)在干旱和半干旱地區(qū)提高作物產(chǎn)量的可行技術(shù)路線。在通過對抗旱基因型-表型的篩選來培育抗旱品種的相關(guān)研究中，Sun等[53]利用葉綠素熒光成像動態(tài)監(jiān)測鹽分過度敏感（Salt Overly Sensitive,SOS）突變體在干旱條件下的時間序列響應(yīng)（圖4），并提取擬南芥SOS突變體在干旱脅迫下的熒光指紋圖譜。通過深度學習算法SAE神經(jīng)網(wǎng)絡(luò)提取時間序列葉綠素熒光特征，然后將其用于對SOS11、SOS23和Col 0三個基因型的擬南芥葉綠素熒光指紋圖譜的識別，準確度可達95%。該項研究的結(jié)果為了解干旱基因在SOS通路中的功能提供了一種有效的觀測手段，同時也為提高作物抗性育種效率提供了新思路。

【參考文獻】：
期刊論文
[1]圖像理解中的卷積神經(jīng)網(wǎng)絡(luò)[J]. 常亮,鄧小明,周明全,武仲科,袁野,楊碩,王宏安.  自動化學報. 2016(09)



本文編號：3338684