一种高效鉴定玉米毛状体的自动化计数测量方法

植物毛状体是高度专业化的结构，由不同植物组织的表皮层细胞发育而来。众所周知，它们可以保护植物免受生物和非生物胁迫，例如水分流失、昆虫造成的损害、病原体攻击、致命的紫外线辐射和叶片温度降低。

尽管已知它们是高价值的农艺性状，但它们的准确表型分析受到繁琐且耗时的手动计数方法的限制，需要数千个样本。因此，到目前为止，只有少数调节单子叶植物毛状体形成的基因被鉴定和克隆。

然而，现在计算机视觉和人工智能的发展已经显示出提高植物性状识别的希望。基于卷积神经网络(CNN)的方法已成功提取植物器官并研究其特征。尽管如此，还缺乏用于玉米毛状体识别的全自动方法。

针对这一差距，来自中国的一个研究团队最近利用计算机视觉、人工智能和深度学习技术开发了一种自动算法来计算和测量玉米毛状体。该研究由四川农业大学陆艳丽教授牵头，发表在PlantPhenomics上。

Lu教授在详细介绍新工具时说：“毛状体计数的人工表型分析是一项费力的工作，出错的风险很高，更不用说毛状体长度的测量了。在这项研究中，我们介绍了TrichomeYOLO，这是一种高精度的自动化玉米毛状体使用DCNN从扫描电子显微镜(SEM)图像中识别玉米毛状体的密度和长度的计数和测量方法。”

首先，该团队使用YOLOv5，一种基于单阶段检测的神经网络作为基础模型来设计算法。接下来，他们集成了谷歌在2017年设计的经典自然语言处理模型Transformer，并在模型中嵌入了一个双向特征金字塔网络，以方便毛状体检测和量化。

为了确定所开发算法TrichomeYOLO的识别准确性，研究人员分析了从生长在温带、热带和亚热带地区的天然玉米种群中捕获的总共9,614张SEM图像。总共随机选择了1,000张图像并分成两组，其中70%用于训练，30%用于验证。

结果令人鼓舞，该算法的平均准确率和召回率分别达到92.1%和93.2%。通过比较使用手动计数和基于TrichomeYOLO的自动计数在500张随机选择的图像中测量的毛状体数量，该团队发现相关系数(R2)的平方为0.98%，平均绝对百分比误差为4.25%，两者均为这强调了TrichomeYOLO的高效性。

为了进一步评估TrichomeYOLO的性能，五种流行的物体检测模型，即。FasterR-CNN、YOLOv3、YOLOv5、DETR和CascadeR-CNN用于从未知数据集中随机选择的100张图像中识别毛状体。对于同一组图像，TrichomeYOLO达到了最高的检测精度，明显优于所有五种主流物体检测模型。

卢教授在讨论这些发现的意义时说：“我们相信这项研究的贡献不仅在于TrichomeYOLO，还在于为育种者提供一种新的改进的表型分析方法，用于长期被忽视的性状。我们将提供所有图像我们收集了相应的人工注释，以促进植物毛状体的研究。”

尽管需要进一步研究以确保一致的准确性和微调模型参数，但TrichomeYOLO为高效的自动毛状体检测和量化铺平了道路。