Neues Modell verbessert die Hochdurchsatz-Phänotypisierung von Sojabohnenschoten und -samen

Sojabohnen sind landwirtschaftlich wichtige Hülsenfrüchte mit hohem Protein- und Ölgehalt. Züchter zielen darauf ab, die Erträge durch Merkmale wie Korngewicht, Form und Hülsenanzahl zu steigern. Aktuelle Forschungen nutzen Deep Learning (DL) für die Hochdurchsatz-Phänotypisierung, doch herkömmliche Methoden sind mühsam und fehleranfällig.

Segmentierungs- und erkennungsbasierte DL-Methoden stehen vor Herausforderungen bei dichten, überlappenden Hülsen. Um diese Probleme zu lösen, hat sich der Schwerpunkt auf die Erforschung punktbasierter Erkennungsmethoden wie P2PNet verlagert, um Sojabohnenhülsen und -samen vor Ort genau zu phänotypisieren.

Ein Forschungsteam hat das DEKR-SPrior-Modell entwickelt, um die Hochdurchsatz-Phänotypisierung von Sojabohnenschoten und -samen zu verbessern. Dieses Modell, das die Merkmalsunterscheidung durch ein neuartiges SPrior-Modul verbessert, reduziert den mittleren absoluten Fehler bei der Schotenphänotypisierung im Vergleich zu bestehenden Modellen erheblich.

Die Fähigkeit von DEKR-SPrior, dicht gepackte Schoten und Samen genau zu zählen und zu lokalisieren, verspricht eine Rationalisierung der Sojabohnen-Züchtungsprozesse und bietet ein wertvolles Instrument zur Verbesserung der Ertragsprognosen und zur Förderung der landwirtschaftlichen Forschung.

Die Studie, veröffentlicht In Pflanzenphänomenologie am 27. Juni 2024 schlägt das DEKR-SPrior-Modell vor, das strukturelles Vorwissen einbezieht, um die Genauigkeit der Phänotypisierung von Sojabohnenschoten zu verbessern.

In dieser Studie wurde die Leistung des DEKR-SPrior-Modells mit vier anderen Bottom-Up-Modellen – Lightweight-OpenPose, OpenPose, HigherHRNet und dem ursprünglichen DEKR – anhand eines hochauflösenden Teilbilddatensatzes mit 205 zugeschnittenen Bildern von Sojapflanzen verglichen.

DEKR-SPrior zeigte eine überlegene Genauigkeit mit AP-, AP50-, AP(1-seeded), AP(2-seeded), AP(3-seeded) und AP(4-seeded)-Werten von 72,4 %, 91,4 %, 71,7 %, 80,9 %, 85,6 % bzw. 83,6 %. Im Vergleich zum ursprünglichen DEKR zeigte DEKR-SPrior in allen Metriken bemerkenswerte Verbesserungen, insbesondere mit signifikanten AP-Gewinnen für 2-seeded und 3-seeded Pods.

Präzisions-Recall-Kurven (PR-Kurven) zeigten, dass DEKR-SPrior bei gegebenen Recall-Raten eine höhere Präzision beibehielt und Fehlerkennungen effektiv reduzierte. Die Visualisierung der Ergebnisse zeigte eine genaue Identifizierung und Verbindung der Samenpositionen, selbst in dicht gepackten Schoten.

Die Ablationsanalyse bestätigte außerdem die durch das SPrior-Modul bereitgestellte Verbesserung, wobei bei einem bestimmten Hyperparameterwert eine optimale Leistung erreicht wurde.

Auch bei Tests mit Bildern in voller Größe schnitt DEKR-SPrior besser ab als andere Modelle und erreichte niedrigere mittlere absolute Fehler (MAE) und höhere Pearson-Korrelationskoeffizienten (PCC) sowohl bei der Samen- als auch bei der Schotenzählung, was seine Wirksamkeit bei der Phänotypisierung von Sojabohnen unterstreicht.

Laut Jingjing He, dem leitenden Forscher der Studie, „zeigt diese Arbeit das große Potenzial von DEKR-SPrior für die Pflanzenphänotypisierung und wir hoffen, dass DEKR-SPrior bei der zukünftigen Pflanzenphänotypisierung hilfreich sein wird.“

Zusammenfassend lässt sich sagen, dass das DEKR-SPrior-Modell eine höhere Präzision und Trefferquote erreicht hat und damit seine Wirksamkeit bei der genauen Erkennung und Zählung von Sojabohnenschoten und -samen unter Beweis gestellt hat. Mit Blick auf die Zukunft bietet DEKR-SPrior großes Potenzial für die Weiterentwicklung landwirtschaftlicher Forschungs- und Züchtungsprogramme, da es eine genauere und effizientere Methode zur Phänotypisierung von Pflanzenmerkmalen bietet.

Dieses Modell könnte weiter verfeinert und für andere Nutzpflanzen angepasst werden, um die Ertragsvorhersage zu verbessern und zur Ernährungssicherheit beizutragen.