CN110175525B - 一种耐盐黄秋葵品种快速筛选方法 - Google Patents

Abstract

本发明公开了一种耐盐黄秋葵品种快速筛选方法，属于作物育种中表型获取技术领域，包括：1)将所有品种的黄秋葵都分为两组，其中一组作为实验组进行盐害处理；2)获取盐害处理后的黄秋葵的高光谱图像，以及对应样本的生物量和SPAD值；3)构建包含语义分割网络和实例分割网络的神经网络模型，识别高光谱图像对应的黄秋葵叶片，并获取作物的姿态；4)计算高光谱图像对应的黄秋葵叶片的像素点数，得到像素点与生物量的相关模型；5)建立可见‑红外光谱信息与SPAD值的PLSR模型；6)采用最大均值差异分析比较不同品种的黄秋葵高光谱数据，识别耐盐品种。

Description

一种耐盐黄秋葵品种快速筛选方法

技术领域

本发明涉及作物育种中表型获取技术领域，具体地说，涉及一种耐盐黄秋葵品种快速筛选方法。

背景技术

黄秋葵是一种具有较高营养价值的新型保健蔬菜，有很高的开发利用价值和潜力。黄秋葵的营养保健价值很高，各个部分都含有丰富的营养成分如半纤维素、纤维素和木质素。嫩果含有丰富的蛋白质、游离氨基酸、VC、VA、VE和磷、铁、钾、钙、锌、锰等矿质元素及由果胶和多糖等组成的粘性物质。富含丰富的蛋白质、膳食纤维及黄酮、多糖等成分，是重要的经济作物。

目前，我国土地盐碱化日趋严重，约有14.8亿亩盐碱地资源。盐胁迫后，会导致黄秋葵光合作用的下降，叶绿素含量的变化，最终影响黄秋葵产量。为了充分利用土地资源，获得优质、高产的黄秋葵品种，育种专家们通过研究黄秋葵的基因互作与杂种优势，获得了具有明显杂种优势的杂交组合品种的黄秋葵。

随着高通量基因测序技术的发展，基因组学取得了巨大突破，加速了对控制作物性状的基因信息的挖掘。但是育种中传统的作物表型的获取技术尚不能满足高通量测序技术的发展。传统的表型测定技术包括生物量的测定，生理生化的检测等都需要大量人力、财力、物力的投入，无法满足数据量丰富的基因组学的信息。因此，需要一种高通量的表型获取方法可以实现黄秋葵育种中表型的快速测定方法。

近年来光谱检测在生物医学研究、安防检测、化工检测、地质勘探等诸多领域都有着诸多应用，其中高光谱是研究应用最为广泛和成熟的光谱技术之一，已经在作物表型检测领域得到了广泛应用。基于光谱技术的无损检测在作物检测领域得到迅速发展，光谱技术相较传统方法具有明显优势特点，非接触式的检测作物形态和理化信息。这类技术能够及时获取育种所需的表型信息，为基于表型信息的秋葵育种筛选提供了技术支持。

发明内容

本发明的目的为提供一种耐盐黄秋葵品种快速筛选方法，可实现黄秋葵育种的表型测定。

为了实现上述目的，本发明提供的耐盐黄秋葵品种快速筛选方法包括以下步骤：

1)将所有品种的黄秋葵都分为两组，其中一组作为实验组进行盐害处理；

2)获取盐害处理后的黄秋葵的高光谱图像，以及对应样本的生物量和SPAD值；

3)构建包含语义分割网络和实例分割网络的神经网络模型，识别高光谱图像对应的黄秋葵叶片，并获取作物的姿态；

4)计算高光谱图像对应的黄秋葵叶片的像素点数，得到像素点与生物量的相关模型；

5)建立可见-红外光谱信息与SPAD值的PLSR模型；

6)采用最大均值差异分析比较不同品种的黄秋葵高光谱数据，识别耐盐品种。

上述技术方案中，实现了黄秋葵耐盐品种的快速鉴定，具有操作简单，检测成本低，高通量等特点，有效克服了传统育种表型信息获取方法复杂，成本较高，对样品破坏大等缺点。

作为优选，步骤1)中将实验组培养至三叶一心期时，利用浓度为300Mmol/L的NaCl溶液进行盐害处理。

作为优选，步骤2)中，通过获取作物的整个冠层，并采用天平测定的鲜重作为生物量，SPAD值采用SPA-520Plus仪测量。

作为优选，步骤3)中，神经网络模型包括编码结构和解码结构，编码输出五个不同分辨率的特征层；

语义分割网络的第一阶段为解码结构，第二阶段在base层后分为两个分支，分别输出语义分割结果和PPM层；

实例分割网络包括MASKUP模块和PRED模块，MASKUP模块用于融合两个分辨率的特征图，同时加入ACC层和前一个分辨率下掩码预测的结果；PRED模块用于从MASKUP模块提取的特征层中预测该分辨率下的目标掩码。

作为优选，步骤3)中，采用人工标记每个样本的叶片作为监督训练的标签，然后将标记好的图像送入构建的神经网络进行训练，得到神经网络模型。

本发明采用深度学习的方法，建立黄秋葵植株自动分割，实现叶面积估算，建立生物量预测模型。提出新的图像分割算法框架-基于策略搜索的注意力机制的级联式实例分割算法，该算法融合了语义分割和实例分割，能从高光谱图像中提取秋葵植株的掩码，同时能将叶片分割为一个个单独对象，实现了高光谱信息的二维可视化和植株的叶位估测；基于图像像素点面积，构建植株生物量的预测。

作为优选，步骤6)中，将黄秋葵的高光谱图像信息输入，通过计算实验组和对照组的最大均值差异距离得到该品种的抗盐性评估。

作为优选，步骤6)中，最大均值差异(MMD)分析比较高光谱的表型数据。它的基本思想是，对于所有以样本空间为输入的函数构成集合F，如果从两个分布生成的足量样本经F中所有函数映射的像的均值都相等，那么可以认为两个分布相同。MMD的直接定义如下式：

其中，k为F集合所在希尔伯特空间的核函数；X，Y是两个带评估的原始分布；m,n分别是X，Y样本的采样大小；x_i，y_j分别是X集合中的第i个样本，j表示Y集合中的第j样本。

与现有技术相比，本发明的有益效果为：

本发明的耐盐黄秋葵品种快速筛选方法实现了黄秋葵耐盐品种的快速鉴定，有利于黄秋葵的育种中便携式传感仪器的开发和使用。

附图说明

图1为本发明实施例中编码结构的结构示意图；

图2为本发明实施例中语义分割网络的结构示意图；

图3为本发明实施例中语义分割网络的输出端结构示意图；

图4为本发明实施例中实例分割网络的结构示意图；

图5为本发明实施例中基于光谱信息的SPAD值的多元回归分析模型结果。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，以下结合实施例及其附图对本发明作进一步说明。

实施例

本实施例的耐盐黄秋葵品种快速筛选方法包括以下步骤：

步骤S1，作物的栽培和NaCl盐害处理。实验对象共包含14个基因型的秋葵样本，分别是杨贵妃、东京五角、苏瑞奇、五福、浓绿五角、卡里巴、纤指、金秋、日本超五星、美绿、丹指、小露丝、翠指、盆栽。种植于控温控湿的玻璃温室中，育苗采用32孔的育苗盘中，并且装有100％的营养土，定期浇水。待秧苗长至三叶一心期，用浓度为300mMol/L的NaCl进行盐处理，以不加NaCl的蒸馏水为对照。

步骤S2，在盐胁迫的第2天和第7天采集秋葵样本的高光谱图像数据，同时测定每个样本的SPAD值和生物量。秋葵叶片的SPAD值采用SPA-520Plus仪测量。测量时取每个秋葵样本中最大的叶片代表这个样本，每次在叶片的不同位置取点4次，取平均值作为这个叶片的SPAD值。获取作物的整个冠层，并且用天平测定鲜重作为生物量。

步骤S3，在训练图像分割算法时，参照高光谱数据头文件中选取的3个通道(663.098，555.099，451.143)，将这3个通道的光谱数据压缩到0-255的范围分别作为R，G，B通道的值。为训练分割算法，需要先人工标记每个样本的叶片作为监督训练的标签。然后将标记好的图像送入构建的神经网络进行训练，利用训练好的网络即可实现高光谱图像中ROI区域的分割，得到秋葵植株的冠层面积。

本实施例的神经网络为编码-解码结构，将语义分割网络和实例分割网络结合在一起，使网络能同时完成两个任务。

a)编码结构如图1所示，其中cs表示color space layer，d_dp表示double depth-wise&point-wise layer，C表示拼接操作(concat)，每个下箭头都包含了双线性插值操作进行下采样。编码网络参考了DenseNet的做法，在每一层都会输入之前所有层的输出，但不同于DenseNet各个层的分辨率都不同，因此需要通过双线性插值之后再连接。这样做能尽可能的保留细节，增加单点的感受野，同时加入双线性插值使卷积输出通道得以减半，减少了计算量。最后输出5个不同分辨率的特征层命名为O1、O2、O3、O4、O5。

b)语义分割网络可以分为两阶段。第一阶段为解码网络，参见图2，图中每个上箭头包含了一次反卷积(deconvolution)，其他符号同上。横向的跳跃连接(skip connect)将对应分辨率的编码输出和解码层连接进行细节补充，这种技巧在Unet和Vne等编码解码结构中广泛使用。

参见图3，语义分割网络的第二阶段在base层之后分为两个分支，分别输出语义分割结果和PPM层。图中ca表示channel attention layer，sa表示spatial-wise attentionlayer，conv_1x1表示卷积核为1x1的卷积，用于调整维度数，d_pdp表示double point-wise&depth-wise&point-wise层，最后通过action layer输出PPM层。

c)解码网络同语义分割解码网络类似都是自下而上计算，先对分辨率最小的O5层解码，再层层而上，网络中主要有两个模块，MASKUP模块和PRED模块，MASKUP模块用于融合两个分辨率的特征图，同时加入ACC层和前一个分辨率下掩码预测的结果。PRED模块用于从MASKUP提取的特征层中预测该分辨率下的目标掩码。

步骤S4，通过语义分割算法计算每个图像中植株的像素数，然后和每个植株的鲜重建立相关性模型，其相关系数为0.808。

步骤S5，将全波段作为输入，预测SPAD值得构建PLSR模型。PLSR使用python3中的第三方库sklearn实现，选择降维成分数为10，K-Fold交互验证数为10。建模结果训练集RMSE3.41，决定系数(R2)0.7324，预测集RMSE3.52，决定系数0.709，参见图5。

步骤S6，将高光谱信息作物输入，通过计算NaCl处理和对照组的MMD距离得到该组的抗盐性评估，丹指依旧被归为单独一类，其它品种主要分为两类，一类包括盆栽、美绿、翠绿、纤指、五福，另一类包括苏瑞奇、小露丝、杨贵妃、浓绿五角、金秋、日本超五星、东京五角、卡里巴，后一类中的秋葵抗盐性较好。

其中，采用最大均值差异(MMD)分析比较高光谱的表型数据。其基本思想是，对于所有以样本空间为输入的函数构成集合F，如果从两个分布生成的足量样本经F中所有函数映射的像的均值都相等，那么可以认为两个分布相同。MMD的直接定义如下式：

其中，k为F集合所在希尔伯特空间的核函数；X，Y是两个带评估的原始分布；m,n分别是X，Y样本的采样大小；x_i，y_j分别是X集合中的第i个样本，j表示Y集合中的第j样本。

上述结果表明，本发明的方法能够实现黄秋葵耐盐表型的快速检测，具有良好的应用前景。

Claims (6)

1.一种耐盐黄秋葵品种快速筛选方法，其特征在于，包括以下步骤：

1)将所有品种的黄秋葵都分为两组，其中一组作为实验组进行盐害处理；

2)获取盐害处理后的黄秋葵的高光谱图像，以及对应样本的生物量和SPAD值；

3)构建包含语义分割网络和实例分割网络的神经网络模型，识别高光谱图像对应的黄秋葵叶片，并获取作物的姿态；所述神经网络模型包括编码结构和解码结构，所述编码输出五个不同分辨率的特征层；所述语义分割网络的第一阶段为解码结构，第二阶段在base层后分为两个分支，分别输出语义分割结果和PPM层；所述实例分割网络包括MASKUP模块和PRED模块，MASKUP模块用于融合两个分辨率的特征图，同时加入ACC层和前一个分辨率下掩码预测的结果；PRED模块用于从MASKUP模块提取的特征层中预测该分辨率下的目标掩码；

4)计算高光谱图像对应的黄秋葵叶片的像素点数，得到像素点与生物量的相关模型；

5)建立可见-红外光谱信息与SPAD值的PLSR模型；

6)采用最大均值差异分析比较不同品种的黄秋葵高光谱数据，识别耐盐品种。

2.根据权利要求1所述的耐盐黄秋葵品种快速筛选方法，其特征在于，步骤1)中将实验组培养至三叶一心期时，利用浓度为300Mmol/L的NaCl溶液进行盐害处理。

3.根据权利要求1所述的耐盐黄秋葵品种快速筛选方法，其特征在于，步骤2)中，通过获取作物的整个冠层，并采用天平测定的鲜重作为生物量，SPAD值采用SPA-520Plus仪测量。

4.根据权利要求1所述的耐盐黄秋葵品种快速筛选方法，其特征在于，步骤3)中，采用人工标记每个样本的叶片作为监督训练的标签，然后将标记好的图像送入构建的神经网络进行训练，得到神经网络模型。

5.根据权利要求1所述的耐盐黄秋葵品种快速筛选方法，其特征在于，步骤6)中，将黄秋葵的高光谱图像信息输入，通过计算实验组和对照组的最大均值差异距离得到该品种的抗盐性评估。

6.根据权利要求1所述的耐盐黄秋葵品种快速筛选方法，其特征在于，步骤6)中，最大均值差异的定义公式如下：

其中，k为F集合所在希尔伯特空间的核函数；X，Y是两个带评估的原始分布；m,n分别是X，Y样本的采样大小；x_i，y_j分别是X集合中的第i个样本，j表示Y集合中的第j样本。

Images