如何可靠、高效地識别植物品種，對于植物育種者的産權保護和種質資源創新有着重大意義。然而，由于品種間葉片的相似性較高，在品種鑒定中應用較少。因此，武漢理工大學生物信息團隊提出了一種基于葉片圖像的品種自動識别方法MFCIS (多特征組合品種識别系統)，該方法将持久同源性收集的多個葉片形态特征與卷積神經網絡(CNN)相結合。此外，為了提升用戶體驗，團隊還構建了一個讓用戶使用方便的web服務，可以免費獲得。

1. 自動化:将葉片圖像直接拟合為網絡的輸入，品種識别結果網絡的輸出。
2. 多特征組合:對葉片形态特征進行局部和全局的綜合測量，提高識别精度。
3. 效率高:該方法不需要大量樣本進行模型訓練，計算時間在可以接受的範圍之内。
4. 泛化能力:模型在其他植物上也适用。

大豆數據集

為了更好的向大家介紹新型植物種類識别方法，現以大豆植物種類識别為例。實驗中，每個品種在開花開始期、開莢開始期、滿莢期、結籽開始期和結籽充分期(分别記為R1、R3、R4、R5和R6)五個繁殖階段的幾株植株上随機選取50片完全展開的葉片作為樣本。這些葉子從植物上分離後，再使用掃描儀器掃描。之後，進行圖像預處理。

圖像預處理過程包括背景去除和對比度增強兩部分。由于葉片圖像質量高，背景幹淨，所以采用典型的全局阈值法去除圖像背景，并通過線性拉伸的方法擴大動态灰度值範圍。此次實驗中，通過此識别方法進行了葉片形态特征提取、高級圖像特征提取。具體如下：

團隊利用PH從拓撲的角度捕捉葉片的形狀、紋理和葉脈特征，并利用pd對提取的特征進行描述。葉片形狀使用Pershombox(python包)計算得到，葉片紋理和脈絡pd均值使用Python Homcloud(python包)計算。在過濾過程中，系統捕獲并記錄了組件和孔洞的變化。在脈序特征提取方面，對二值葉脈圖像進行距離變換，過濾得到的葉脈網絡距離圖，可以用于跟蹤不同尺度下葉脈的面積和脈絡結構結構變化。

整個系統采用深度CNN模型Xception 作為骨幹網絡，提取葉片圖像的高級特征。在相對較小的數據集上從頭訓練較多層次的神經網絡是很困難的。此外，從其他圖像分類任務中學到的知識可能對研究有幫助。因此，團隊采用ImageNet數據集上的exception權值作為初始權重，将遷移學習應用到品種分類任務中。全局平均池化層的輸出是2048維向量，作為接下來的多特征組合過程的高級圖像特征。與傳統的手工制作的形态特征(葉面積、周長等)和基于圖像處理的描述符相比，高級圖像特征具有更好的抽象性和辨識力。

為了使用方便，團隊開發了在線品種識别系統。該系統提供了一種簡單易用的品種識别服務，包括三個步驟:(1)模型和數據集的選擇。用戶需要選擇一個初始的模型和目标數據集，然後等待模型加載和配置。(2)圖像上傳與品種識别。用戶通過彈出的窗口選擇并上傳一個本地圖像文件。等待幾分鐘後，直到系統做出預測。(3)查看預測結果。以餅狀圖的形式顯示前3個品種的預測結果。用戶可以點擊餅狀圖，查看各品種的預測得分。詳細的用戶手冊可以在補充手冊中找到。

在作物育種群體中，品種鑒定長期依賴于專家的視覺識别，精度不能保證。随着深度學習和圖像技術的發展，園藝研究者和計算機視覺界對基于葉片圖像的栽培品種識别研究越來越關注。由于之前模型的準确性仍然是一個有待解決的關鍵問題。此次，團隊關于本研究提出了一種有效的葉片圖像獲取策略，設計了高精度的品種識别圖像分析系統，構建了基于web、用戶友好的品種識别平台。在植物種類識别圖像，識别準确性，非專家也能使用等方面有重大意義。

更多精彩资讯请关注tft每日頭條，我们将持续为您更新最新资讯!