種子發(fā)芽評價是種子研究人員衡量種子質(zhì)量和性能的一項基本任務(wù)。通常，種子評估是手動完成的，這是一個繁瑣、耗時且容易出錯的過程。經(jīng)典的圖像分析方法不太適合大規(guī)模的發(fā)芽實驗，因為它們通常依賴于手動調(diào)整基于顏色的閾值。
本文提出了一種基于機器學(xué)習(xí)的方法，該方法使用了具有候選區(qū)域的卷積神經(jīng)網(wǎng)絡(luò)（CNN），用于各種種子發(fā)芽實驗的自動化和高通量評估。本研究生成了玉米、黑麥、珍珠粟等谷物的2400多個種子及其發(fā)芽過程的標(biāo)記成像數(shù)據(jù)集，總共23,000多張圖像。采用遷移學(xué)習(xí)(transfer learning)方法訓(xùn)練各種深度學(xué)習(xí)模型，以便準(zhǔn)確地檢測圖像中的種子，區(qū)分它們的發(fā)芽狀態(tài)，最后計算出常用的發(fā)芽指數(shù)來衡量種子批次的質(zhì)量和動態(tài)。
圖1 圖像采集、注釋和數(shù)據(jù)集生成模塊示意圖a培養(yǎng)皿內(nèi)種子發(fā)芽過程圖像采集裝置，b帶注釋圖像的示例（橙色框為未發(fā)芽，藍(lán)色框為已發(fā)芽），c自定義種子48小時的縱向圖像（橙色框為未發(fā)芽，灰色框為難以標(biāo)記的過渡階段，藍(lán)色框為已發(fā)芽），d數(shù)據(jù)集被隨表1 本研究中使用的注釋數(shù)據(jù)集摘要研究結(jié)果顯示我們提出的模型對玉米、黑麥、珍珠粟的平均精度分別為97.9%、94.2%和94.3%。與人工評估相比，我們提出的模型可以更準(zhǔn)確地計算各種單值發(fā)芽指數(shù)，如平均發(fā)芽時間和發(fā)芽不確定性。表2 不同模型架構(gòu)的驗證集和測試集的平均精度圖3 Inception-ResNet v2模型測試集的歸一化混淆矩陣(以百分比表示)圖4 測試數(shù)據(jù)集的預(yù)測示例
圖7 與實際情況相比的評估相對誤差（90粒玉米種子）
與傳統(tǒng)方法和手動方法相比，本文的方法可以以較低的錯誤率和更高的性能，加快種子發(fā)芽評估的過程，從而在較大的發(fā)芽實驗中發(fā)揮更大的作用。由于相關(guān)研究內(nèi)容非常專業(yè)，難免有些理解不準(zhǔn)確或者編輯整理的疏漏，請以英文原文為準(zhǔn)。
