:
意見回饋

在機器學習的輔助下記錄植物立體表徵

2019/10/16 @國際

摘要

美國薩爾克研究所以解析植物莖、葉等三維組織形態特徵,進行三維雷射掃描與演算法進行特徵解構,系統可在短時間內快速且精準地將植物形態進行分類,在植物形態分類方面有高達97.8%的準確率,葉片數的判讀也有86.6%的高準確率。

示意圖

在機器學習的輔助下記錄植物立體表徵

  自19世紀孟德爾(Gregor Mendel)有系統地觀察與紀錄植物表型性狀(trait,或稱表徵),發表著名的遺傳法則後,便奠定了遺傳學在生物領域研究的重要性。由於植物性狀通常被視為遺傳因子與周遭生長環境交互作用下的結果,因此,有必要發展出一套可快速進行性狀測量的系統,加速建立基因-表型-環境三者間的關聯性,協助學者在氣候變遷、遺傳學等方面之研究。美國薩爾克研究所(Salk Institute)的研究人員為此發展一套內建機器學習(machine-learning)演算法的運算系統,可用於解析植物莖、葉等三維(three-dimensional,簡稱3D)組織形態特徵。【延伸閱讀】利用機器學習幫助機器人精準收割甜美的萵苣

  研究團隊以番茄(cultivated tomato, Solanum lycopersicum)與菸草(tobacco, Nicotiana benthamiana)共54株個體做為研究材料並進行機器深度學習(deep learning)。研究團隊選擇以植物的葉/莖形態分類(lamina/stem classification)、葉片數(lamina counting)、莖部形態(stem skeletonization)等三項難量化之形態特徵進行三維雷射掃描(3D laser scanning),同時運用演算法進行特徵解構。有別於傳統的測量方法,在機器學習的優化運算處理下,該系統可在短時間內快速且精準地將植物形態進行分類,在葉/莖形態分類方面有高達97.8%的準確率,葉片數的判讀也有86.6%的高準確率。

  研究結果為3D表型紀錄與形態分析帶來重大的突破,目前研究團隊仍舊設法解決相鄰葉片在辨識方面的技術性問題,並希望能在進一步優化後擴大應用到番茄與菸草以外的植物形態分析上。

  該研究由皮尤慈善信託基金會(Pew Charitable Trusts)、美國國家科學基金會(National Science Foundation,簡稱NSF)、美國國家衛生研究院(National Institutes of Health,簡稱NIH)等機構資助,相關研究成果已發表在<Plant Physiology>。

資料來源

關鍵字

文章摘譯

資料讀取中

推薦文章

資料讀取中
: