详细内容或原文请订阅后点击阅览
基于深度学习的方法可以实现小麦中旗叶角的现场测量
由中国科学院（CAS）的遗传学和发育生物学研究所（IGDB）领导的研究团队提出了一种具有成本效益的方法，可用于在现场获取旗帜叶角（Flang）图像，并开发了一种轻量级的深度学习模型，以进行准确的叶子，flang flang估算。
来源:英国物理学家网首页由中国科学院（CAS）的遗传学和发育生物学研究所（IGDB）领导的研究团队提出了一种具有成本效益的方法，可用于在现场获取旗帜叶角（Flang）图像，并开发了一种轻量级的深度学习模型，以进行准确的叶子，flang flang估算。
flang是小麦育种中的关键特征之一，因为它在植物建筑，光截距和产量潜力中的重要作用。但是，由于依靠劳动密集型和主观的手动测量，其测量值仍然是现代小麦育种和管理的高通量表型的瓶颈。
小麦 高通量为了应对这一挑战，研究人员开发了LeafPosenet，这是一种基于按键的姿势检测模型，自动检测三个关键点：旗叶（点L）的中心（点L），旗帜叶和茎（点J）之间的连接（点J）和茎的中心（点S），从而允许Flang的自动化计算。
与最新的关键点检测模型相比，LeafPosenet表现出卓越的性能，达到1.75°的平均绝对误差（MAE），均方根误差（RMSE）为2.17°，确定系数（R²）为0.998。它在各种叶片形状和复杂场景中表现出强大的关键点定位。凭借其轻巧的体系结构和高计算效率，该模型很容易在智能手机上部署，从而实现了高通量，快速的现场测量。
研究人员证明了叶孔在221个面包小麦配件中的测量flang的应用。他们使用混合线性模型（MLM）进行全基因组关联研究（GWAS），他们确定了与Flang相关的10个定量性状基因座（QTL），从而为小麦的Flang遗传结构提供了重要的见解。
全基因组关联研究 本研究 农作物杂志