玉米穗轴是玉米产量的重要组成部分，在本地品种和现代品种中表现出高度的大小、形状和颜色多样性。该文章开发了一系列表型方法来实现高通量测量玉米穗轴的相关性状。近年来，卷积神经网络 (CNN) 等深度学习方法的快速发展，为高通量表型分析提供的新方法与思路。该文使用来自秘鲁的本地玉米地方品种制作了大型的多样图像数据集，并将基于深度学习的图像分割方法与经典的图像处理方法进行了分析比较。


方法处理流程：

使用Mask R-CNN网络分割出标尺的掩膜以及玉米穗轴的掩膜。通过图像处理算法提取玉米穗轴的长度、直径、平均 RGB 颜色以及形状参数如椭圆度和不对称性。并且通过测量单个标尺的轮廓，将以像素为单位的玉米穗轴长度和直径测量值转换为真实世界的厘米值。

三种图像分析方法的比较表明，在一组不同的玉米穗轴图像上训练的 Mask R-CNN 结果优于Felzenszwalb-Huttenlocher 算法和基于窗口的 CNN 的经典图像分析算法，因为Mask R-CNN算法对图像质量没有严苛的要求并且有着非常高的鲁棒性能保证较好的分割精度(r=0.99)。并且作者将Mask R-CNN集成到一个高通量的处理流程之中，同时对图像中的玉米穗轴以及标尺进行分割，对8个表型性状进行自动定量分析，包括直径、长度、椭圆度、不对称度、长宽比和穗轴颜色通道R、G、B的平均值。统计分析确定了在该任务中可实现模型有效迭代的关键训练超参数。作者还发现，少量的10–20张图像足以很好地训练Mask R-CNN模型，以处理不同的玉米穗轴图像。


使用三种图像分割方法（Felzenszwalb-Huttenlocher分割法、滑动窗CNN分割法、Mask R-CNN分割法）预测出来的玉米穗轴性状与真实值的 Pearson 相关性。每个图像的（x 轴）代表真实值，（y 轴）预测值。(a, c)展示的是玉米穗轴长度预测值和真实值的散点图，(b, d) 展示的是玉米穗轴直径预测值和真实值的散点图。按数据集划分的不同，分为 ImgOld 和 ImgNew两种不同的预测情况。在所有情况下，Mask R-CNN的效果均优于其他方法，相关性最低也是0.99。

SingleMask R-CNN 模型和相关的分析方法流程是在基因库表型组学或植物育种等背景下可广泛适用的玉米穗轴表型分析工具。

来源：Plant Methods.DeepCob: precise and high-throughput analysis of maize cob geometry using deep learning with an application in genebank phenomics.Lydia Kienbaum, Miguel Correa Abondano, Raul Blas & Karl Schmid

https://plantmethods.biomedcentral.com/articles/10.1186/s13007-021-00787-6