如何可靠、高效地識(shí)別植物品種，對于植物育種者的產(chǎn)權(quán)保護(hù)和種質(zhì)資源創(chuàng)新有著重大意義。然而，由于品種間葉片的相似性較高，在品種鑒定中應(yīng)用較少。因此，武漢理工大學(xué)生物信息團(tuán)隊(duì)提出了一種基于葉片圖像的品種自動(dòng)識(shí)別方法MFCIS (多特征組合品種識(shí)別系統(tǒng))，該方法將持久同源性收集的多個(gè)葉片形態(tài)特征與卷積神經(jīng)網(wǎng)絡(luò)(CNN)相結(jié)合。此外，為了提升用戶體驗(yàn)，團(tuán)隊(duì)還構(gòu)建了一個(gè)讓用戶使用方便的web服務(wù)，可以免費(fèi)獲得。

方法特點(diǎn)

(1) 自動(dòng)化:將葉片圖像直接擬合為網(wǎng)絡(luò)的輸入，品種識(shí)別結(jié)果網(wǎng)絡(luò)的輸出。

(2) 多特征組合:對葉片形態(tài)特征進(jìn)行局部和全局的綜合測量，提高識(shí)別精度。

(3) 效率高:該方法不需要大量樣本進(jìn)行模型訓(xùn)練，計(jì)算時(shí)間在可以接受的范圍之內(nèi)。

(4)   泛化能力:模型在其他植物上也適用。

大豆數(shù)據(jù)集

為了更好的向大家介紹新型植物種類識(shí)別方法，現(xiàn)以大豆植物種類識(shí)別為例。實(shí)驗(yàn)中，每個(gè)品種在開花開始期、開莢開始期、滿莢期、結(jié)籽開始期和結(jié)籽充分期(分別記為R1、R3、R4、R5和R6)五個(gè)繁殖階段的幾株植株上隨機(jī)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后，再使用掃描儀器掃描。之后，進(jìn)行圖像預(yù)處理。

     圖像預(yù)處理過程包括背景去除和對比度增強(qiáng)兩部分。由于葉片圖像質(zhì)量高，背景干凈，所以采用典型的全局閾值法去除圖像背景，并通過線性拉伸的方法擴(kuò)大動(dòng)態(tài)灰度值范圍。此次實(shí)驗(yàn)中，通過此識(shí)別方法進(jìn)行了葉片形態(tài)特征提取、高級(jí)圖像特征提取。具體如下：

提取葉片形態(tài)特征

團(tuán)隊(duì)利用PH從拓?fù)涞慕嵌炔蹲饺~片的形狀、紋理和葉脈特征，并利用pd對提取的特征進(jìn)行描述。葉片形狀使用Pershombox(python包)計(jì)算得到，葉片紋理和脈絡(luò)pd均值使用Python Homcloud(python包)計(jì)算。在過濾過程中，系統(tǒng)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(jìn)行距離變換，過濾得到的葉脈網(wǎng)絡(luò)距離圖，可以用于跟蹤不同尺度下葉脈的面積和脈絡(luò)結(jié)構(gòu)結(jié)構(gòu)變化。

提取高級(jí)圖像特征

整個(gè)系統(tǒng)采用深度CNN模型Xception 作為骨干網(wǎng)絡(luò)，提取葉片圖像的高級(jí)特征。在相對較小的數(shù)據(jù)集上從頭訓(xùn)練較多層次的神經(jīng)網(wǎng)絡(luò)是很困難的。此外，從其他圖像分類任務(wù)中學(xué)到的知識(shí)可能對研究有幫助。因此，團(tuán)隊(duì)采用ImageNet數(shù)據(jù)集上的exception權(quán)值作為初始權(quán)重，將遷移學(xué)習(xí)應(yīng)用到品種分類任務(wù)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(jí)圖像特征。與傳統(tǒng)的手工制作的形態(tài)特征(葉面積、周長等)和基于圖像處理的描述符相比，高級(jí)圖像特征具有更好的抽象性和辨識(shí)力。

為了使用方便，團(tuán)隊(duì)在一個(gè)公開的網(wǎng)站http://www.上開發(fā)了一個(gè)在線品種識(shí)別系統(tǒng)。該系統(tǒng)提供了一種簡單易用的品種識(shí)別服務(wù)，包括三個(gè)步驟:(1)模型和數(shù)據(jù)集的選擇。用戶需要選擇一個(gè)初始的模型和目標(biāo)數(shù)據(jù)集，然后等待模型加載和配置。(2)圖像上傳與品種識(shí)別。用戶通過彈出的窗口選擇并上傳一個(gè)本地圖像文件。等待幾分鐘后，直到系統(tǒng)做出預(yù)測。(3)查看預(yù)測結(jié)果。以餅狀圖的形式顯示前3個(gè)品種的預(yù)測結(jié)果。用戶可以點(diǎn)擊餅狀圖，查看各品種的預(yù)測得分。詳細(xì)的用戶手冊可以在補(bǔ)充手冊中找到。

結(jié)論與觀點(diǎn)

在作物育種群體中，品種鑒定長期依賴于專家的視覺識(shí)別，精度不能保證。隨著深度學(xué)習(xí)和圖像技術(shù)的發(fā)展，園藝研究者和計(jì)算機(jī)視覺界對基于葉片圖像的栽培品種識(shí)別研究越來越關(guān)注。由于之前模型的準(zhǔn)確性仍然是一個(gè)有待解決的關(guān)鍵問題。此次，團(tuán)隊(duì)關(guān)于本研究提出了一種有效的葉片圖像獲取策略，設(shè)計(jì)了高精度的品種識(shí)別圖像分析系統(tǒng)，構(gòu)建了基于web、用戶友好的品種識(shí)別平臺(tái)。在植物種類識(shí)別圖像，識(shí)別準(zhǔn)確性，非專家也能使用等方面有重大意義