手机版|
二维码|
2019年8月，Plant Phenomics刊发了由来自美国伦斯勒理工学院（Rensselaer Polytechnic Institute）、美国农业部农业研究中心（USDA-ARS）、康奈尔大学的Andrew Bierman等人撰写的题为High-Throughput Phenotyping System Using Machine Vision to Quantify Severity of Grapevine Powdery Mildew的研究论文，介绍了一种利用机器视觉量化葡萄白粉病严重程度的高通量表型系统。USDA-ARS/康奈尔大学的Lance Cadle-Davidson教授为本文通讯作者。
葡萄白粉病对基于成像的表型分析系统提出了特殊的挑战。本研究在之前开发的低通量、定量的显微镜方法（用于数千个葡萄叶盘样品的白粉菌表型抗性的遗传分析）的基础上开发了针对叶盘上白粉病严重程度的自动成像和分析方法。该系统将一个4600万像素的CMOS传感器相机与一个可提供3.5倍放大、X-Y样本定位和Z轴调焦的长工作距离镜头配对，在13.5-26秒的时间内，以3-10张聚焦叠加图像的形式捕捉了直径为1厘米的叶盘的78%的区域。每个图像像素代表叶盘的1.44 m2。使用基于GoogLeNet的卷积神经网络（CNN）检测每个叶盘（约800幅子图像）是否存在白粉菌菌丝作为严重程度的评估，训练验证精度为94.3%。对于一个独立的图像集，CNN与人类专家的一致性为89.3%-91.7%。
Assembled system for image capture.
这种实时成像方法是非破坏性的，并且重复测量感染的时间过程显示出了易感，中性和抗性样品之间的差异。该系统每天处理超过1000个样品，具有良好的准确性，可以评估葡萄对白粉菌的宿主抗性，化学或生物学功效及其他表型反应。此外，新的CNNs可以很容易地在不同病理系统中进行表型分析，或用于分析适合叶圆片的各种性状。
How to Cite this Article
Andrew Bierman, Tim LaPlumm, Lance Cadle-Davidson, et al., A High-Throughput Phenotyping System Using Machine Vision to Quantify Severity of Grapevine Powdery Mildew, Plant Phenomics, vol. 2019, Article ID 9209727, 13 pages, 2019.
Latest Articles
Jobs | 南京农业大学作物表型分析团队博士后、博士职位
Conference | 第6届国际植物表型大会开放注册
Report | 园艺植物表型组学研究进展
Article | 利用表型组学辅助筛选技术开发高效植物育种表型预测因子
Article | 基于深度学习的识别田间条件下小麦的穗区域的表型分析方法
Article | 来阵风，就知道！一种植物无损快速振动表型分析方法
Article | 一种用于高粱头状花序检测和计数的弱监督深度学习框架
Article | 用于估计穗密度和地上生物量的茎特征高通量测量方法
Article | 新方法！预测芸薹属植物花期耐热抗旱性的无损表型测量方法
Article | 将FAIR原理应用于GnpIS植物表型数据管理
Article | instaGraminoid，一种评估除草剂抗性的新型比色法
Article | 利用高通量表型技术探索三种植物种类对真菌菌根和锌的生长反应
Article | 如何利用卷积神经网络诊断植物病害
Perspective | 植物表型：过去、现在和未来
Editorial | 植物表型组学：一种新兴的跨学科科学
about Plant Phenomics
《植物表型组学》（Plant Phenomics）是由南京农业大学和美国科学促进会（AAAS）合作创办的英文学术期刊，于2019年1月正式上线发行，是Science合作出版的第二本期刊。采用开放获取形式，刊载植物表型组学交叉学科热点领域具有突破性科研进展的原创性研究论文、综述、数据集和观点。具体范围涵盖高通量表型分析的最新技术，基于图像分析和机器学习的表型分析研究，提取表型信息的新算法，作物栽培、植物育种和农业实践中的表型组学新应用，与植物表型相结合的分子生物学、植物生理学、统计学、作物模型和其他组学研究，表型组学相关的植物生物学等。2019年8月，已正式被DOAJ数据库收录。
翻译：孙港
编辑：孔敏
审核：尹欢、陈文珠
