Plant Phenomics | 利用RGB圖像和反向傳播神經網絡對橄欖果實關鍵品質性狀進行表型分析


 

橄欖油作為一種健康的抗氧化劑（如酚類化合物），導致橄欖作物在全球越來越流行。此外，酚類化合物（酚類）具有約50%的油抗氧化能力，有助于其隨著時間的推移保持穩定。盡管酚類物質有這些相關特征，但油的濃度（鮮重%）是作物經濟效益的顯著質量性狀。與此相反，要總結果實的內在品質，應考季節變化對慮油和苯酚濃度的影響。與作物的人工管理模式相同，收獲時間會影響石油和苯酚的豐富程度，進而影響產量質量和作物的經濟效益。植物表型組學是一種創新的、非侵入性的、基于圖像的技術，通過它可以識別植物特征并檢索它們對各種刺激的定量反應。隨著成像技術應用的增加，值得注意的是，它越來越多地與人工神經網絡（ANNs）相結合，以提高對植物性狀的監測的精度。
 

2023年6月， Plant Phenomics 在線發表了UNIVERSITÀ DEGLI STUDI DELLA BASILICATA 的 GIUSEPPE MONTANARO 等人題為 Phenotyping Key Fruit Quality Traits in Olive Using RGB Images and Back Propagation Neural Networks 的研究論文。
 

為了預測橄欖果實中的油和酚濃度，我們結合反向傳播神經網絡（BPNN）和無接觸植物表型技術來檢索基于RGB圖像的油和酚濃度。連續兩年每間隔10天采集三種不同成熟時間的橄欖品種的果實，拍照并分析酚和油濃度。在此之前，對水果樣本進行拍照，并對圖像進行分割，提取紅色(R)、綠色(G)和藍色（B），以35個基于RGB的比色指標重新排列圖像的平均像素值。利用原始的35個RGB指數，設計了3個BPNNs作為輸入變量(a)，(b)進行主成分分析（PCA）預處理后的主成分得分，(c)進行稀疏PCA后RGB指數的數量減少。結果表明，所有BPNN的R2平均值最高，分別為0.87~0.95（油）和0.81~0.90（酚類）。除了R2之外，還計算了均方根誤差RMSE和平均絕對誤差MAE，并將其合并為一般性能指標GPI。GPI的排序結果表明，可以為根據其成熟期分組的品種設計一個具有特定拓撲結構的BPNN。
 

本研究檢驗了一個假設，即油脂和苯酚濃度通過BPNN檢索整個季節橄欖果實的RGB圖像比色指數進行預測。本研究表明，基于RGB的圖像表型可以有效預測橄欖果實的關鍵品質性狀，支持數字農業領域的橄欖區發展。
 

圖1 成像、分割、水果質量（油和總酚）的測定，以及通過反向傳播神經網絡（BPNN）建模的實驗設計流程圖。分割后，將感興趣區域（ROI）分割成R、G、B通道（灰度），并測量每個通道中ROI的光強分布的平均值。BPNNs的輸入（紅色文本）是基于RGB的比色索引（BPNN），由PCA（PCA_BPNN）產生的PC1和PC2的分數，以及在稀疏PCA（SPCA_BPNN）之后選擇的具有非零負載（NNZL）的RGB索引。PC數(2)和原始RGB索引輸入遺傳算法（GA），以確定非零負荷（NNZL）的特征數，作為稀疏PCA的輸入參數；紅星表示未用于SPCA_BPNN的索引，因為在稀疏PCA之后，它們的加載量為0
 

圖2通過不同BPNN模型計算的（A、C和E）油和（B、D和F）苯酚濃度的殘差值（抖動點）的分布，水平虛線表示0

論文鏈接：

https://spj.science.org/doi/10.34133/plantphenomics.0061

——推薦閱讀——

Analyzing Changes in Maize Leaves Orientation due to GxExM Using an Automatic Method from RGB Images

https://doi/10.34133/plantphenomics.0046

Plant Phenomics | 基于RGB圖像的基因型×環境型×管理相互作用下的玉米葉片方向變化分析

Predicting and Visualizing Citrus Colour Transformation Using a Deep Mask-Guided Generative Network

‍https://spj.science.org/doi/10.34133/plantphenomics.0057

Plant Phenomics | 基于生成式深度學習網絡的柑橘表皮顏色可視化預測研究

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、專刊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）是由南京農業大學和美國科學促進會（AAAS）合作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。科睿唯安JCR2022影響因子為6.5，位于農藝學、植物科學、遙感一區。中科院農藝學、植物科學一區，遙感二區，生物大類一區（TOP期刊）。2020年入選中國科技期刊卓越行動計劃高起點新刊項目。

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。

排版：趙倩瑩（南京農業大學）

審核：孔敏、王平