Plant Phenomics | AI助力苜蓿根系表型研究，ResNet-18技術精準解析植物結構

根系結構（Root System Architecture，RSA）在通過地下根系性狀實施植物改良方面正受到越來越多的關注�，F代計算技術應用于圖像，為通過RSA分析（使用圖像識別/分類根系類型和特征）推進植物性狀改良和選擇提供了新的途徑。然而，基于圖像的RSA表型分析的一個主要障礙是圖像標簽噪聲，這降低了以圖像作為直接輸入的模型的準確性。

2024年9月，Plant Phenomics在線發表了University of Minnesota和Washington State University等單位合作完成的題為Phenotyping Alfalfa (Medicago sativa L.) Root Structure Architecture via Integrating Confident Machine Learning with ResNet-18的研究論文。

為了解決標簽噪聲問題，Brandon J.Weihs等人開發了一種人工智能模型，能夠直接從圖像中對苜蓿（Medicago sativa L.）的RSA進行分類，并將其與下游標簽改進方法相結合。將不同模型輸出的圖像與手動根系分類進行了比較，并測試了可信機器學習（CL）和反應式機器學習（RL）方法，以最大限度地減少主觀標記的影響，從而提高標記和預測的準確性。

紫花苜蓿根頸RSA（根系結構）取樣與成像、圖像標簽創建與校正以及模型實施的工作流程如下：其中橙色表示田野或實驗室取樣；紫色表示圖像準備方法；藍色表示建模方法；黃色表示圖像標簽校正過程；粉色表示圖像標簽校正步驟；綠色表示在新數據集上的模型驗證及對未標記數據的預測；紅色表示模型對新數據集圖像的預測。

圖1 紫花苜蓿根頸RSA（根系結構）取樣與成像、圖像標簽創建與校正以及模型實施的工作流程

圖2 從MN數據集導出的隨機森林和ResNet-18混淆矩陣

圖3 采用跨種群和合并分析的ResNet-18混淆矩陣

圖2展示了四個不同的混淆矩陣，分別對應于兩種模型（RF和ResNet-18）在原始和修正后的MN數據集上的表現：(A) 來自Xu等人的RF預測準確性 (B) 經修正的MN標簽的RF混淆矩陣 (C) 原始MN標簽的ResNet-18混淆矩陣。(D) 經修正的MN標簽的ResNet-18混淆矩陣。圖3展示了四個不同的ResNet-18混淆矩陣，它們展示了模型在原始標簽、修正標簽、合并標簽以及合并可信標簽下的性能：(A) 來源于原始（MN和OK）標簽的ResNet-18混淆矩陣。(B) 來源于修正后（MN和OK）標簽的ResNet-18混淆矩陣。(C) 來源于合并（n = 881）標簽的ResNet-18混淆矩陣。(D) 來源于合并可信（n = 608）標簽的ResNet-18混淆矩陣。

實驗的結果證明，CL算法適度提高了隨機森林模型對MN數據集的整體預測準確度（1%），而在ResNet-18模型的結果中觀察到了更大的準確性提升。與原始/預處理的數據集相比，CL方法使得ResNet-18的跨種群預測準確度提高了約8%到13%。訓練和測試數據組合中，預測主根RSA的最高準確度（86%）來自CL和/或RL修正的數據集。同樣地，對于中間RSA類別的最高準確度也來自于修正后的數據組合。使用ResNet-18模型在包含兩個采樣地點圖像的合并數據集上應用CL所達到的最高整體準確度約為75%。當采用CL和RL時，紫花苜蓿RSA圖像標簽的ResNet-18深度神經網絡預測準確度得以提升。通過增加數據集規模以減少過擬合的同時發現并糾正圖像標簽錯誤，Brandon J.Weihs等人證明了使用半自動化的計算機輔助預處理和數據清理（CL/RL）可以實現高達約11%至13%的準確性提升。

論文鏈接：
https://doi.org/10.34133/plantphenomics.0251

——推薦閱讀——
The State of the Art in Root System Architecture Image Analysis Using Artificial Intelligence: A Review
https://doi.org/10.34133/plantphenomics.0178
Plant Phenomics 綜述 | 利用人工智能進行根系結構成像分析的最新進展

加入作者交流群
掃碼添加小編微信，拉您進入《植物表型組學》作者交流群，群內不定期開展作者分享會、�？�發布會等高質量活動。

添加小編微信，備注姓名+單位+PP，加入作者交流群

About Plant Phenomics
《植物表型組學》（Plant Phenomics）是由南京農業大學創辦的英文學術期刊，于2019年1月正式上線發行。采用開放獲取形式，刊載植物表型組學交叉學科熱點領域具有突破性科研進展的原創性研究論文、綜述、數據集和觀點。具體范圍涵蓋高通量表型分析的最新技術，基于圖像分析和機器學習的表型分析研究，提取表型信息的新算法，作物栽培、植物育種和農業實踐中的表型組學新應用，與植物表型相結合的分子生物學、植物生理學、統計學、作物模型和其他組學研究，表型組學相關的植物生物學等。期刊已被DOAJ、Scopus、PMC、EI和SCIE等數據庫收錄�？祁Ｎò睯CR2023影響因子為7.6，位于農藝學一區（1/125名），植物科學一區（13/265名），遙感一區（6/62名）。2023年中科院期刊分區位于農林科學大類一區。2020年入選中國科技期刊卓越行動計劃高起點新刊項目、2024年入選江蘇科技期刊卓越行動計劃領軍期刊項目。

說明：本文由《植物表型組學》編輯部負責組稿。
中文內容僅供參考，一切內容以英文原版為準。
編輯排版：王平、張婕（上海交通大學）
審核：尹歡、孔敏