Plant Molecular Biology | 基因组所潘玮华、赵程团队提出玉米叶片卷曲表型识别新算法

近日，中国农业科学院深圳农业基因组研究所（岭南现代农业科学与技术广东省实验室深圳分中心）潘玮华课题组、赵程课题组联合太原理工大学韩晓红课题组在《植物分子生物学(Plant Molecular Biology)》上发表了题为 “Leaf rolling detection in maize under complex environments using an improved deep learning method” 的论文。该研究实现了玉米叶片卷曲表型的精准检测，为深入了解玉米叶片卷曲背后的胁迫反应以及适应机制提供了参考。

叶片卷曲是植物为抵消如干旱、高温等各种环境胁迫的不利影响而进化出的一种常见的适应性反应。这种适应机制减少了光的截获、蒸腾和叶片脱水。深入了解叶片卷曲背后的机制，首先是要确定这种表型的发生和程度。传统的人工卷叶检测方法效率低下，对检测卷叶的高通量方法研究也仍然有限。

本研究使用的数据集获取自深圳综合试验基地的温室，在玉米的整个生长周期中实施了科学的补水措施，以管理水分胁迫水平，导致从轻度到重度的不同程度的叶片卷曲。共获取724张不同视角的高清彩色图像，包含7878个处于不同卷曲阶段的目标叶片，用于构建本研究的数据集。

图1 | 数据集展示

为了实现玉米卷曲叶片的精确检测，研究人员提出了一种目标检测模型LRD。为了捕捉叶片在不同生长阶段引起的尺度变化，研究人员将可变形卷积（DCNv2）纳入模型。这一调整旨在提高模型检测不同卷曲程度的叶片的能力。此外，为了增强模型在遮挡或重叠情况下的检测能力，研究人员在模型检测头之前加入了卷积注意力机制（CBAM）。这些改进使该模型能够有效地适应复杂自然环境带来的挑战。

图2 | LRD模型结构

LRD模型经训练后在测试集上达到了81.6%的平均检测精度。此外，研究人员还对数据集进行了数据增强，以提高模型在雨天，大雾，强光等各种常见恶劣天气条件下的检测能力。对于LRD模型的剪枝以及主干网络的替换降低了模型复杂性。大量实验验证了模型在真实农业环境中的检测效果，在不影响实时推理速度的情况下实现了高精度的玉米叶片卷曲表型检测。

图3 | 对比实验检测结果。箭头指向误检，黄色边界框表示漏检。

模型权重、数据集以及源代码可由GitHub (https://github.com/WangYH1740/LRD-YOLO)下载。

基因组所与太原理工大学联培硕士王元昊为本文第一作者，基因组所与太原理工大学联培硕士生荆雪斌为本文第二作者，基因组所助理研究员高永钢为本文第三作者。基因组所潘玮华研究员、赵程研究员以及太原理工大学韩晓红教授为本文共同通讯作者。该项目得到了国家自然科学基金、深圳市科技计划、中国农业科学院创新计划以及国家重点研发计划的资助。

原文链接：https://link.springer.com/article/10.1007/s11103-024-01491-4