深度学习在植物表型研究中的应用学术资讯

来源：中国科学杂志社

植物表型是指植物可测量的特征和性状，是植物受自身基因表达、环境影响相互作用的结果, 也是决定农作物产量、品质和抗逆性等性状的重要因素。传统的植物表型研究主要依靠人工观察和测量或者基于图像处理技术来得到植物外部物理性的描述, 进而得到基因和表型的关系。

近年来, 随着植物功能基因组学和作物分子育种的快速深入发展，高精度、高通量和低成本的植物表型获取技术成为植物表型研究的新兴热点方向，而深度学习技术在计算机视觉的诸多领域取得了突破性进展，如何使用深度学习技术研究植物表型已成为研究人员十分关注的一项研究问题。

近日，清华大学刘永进研究组和中科院遗传所王秀杰研究组在《中国科学：生命科学》中文版在线发表了题为“基于深度学习的农业植物表型研究综述”的文章。

该文首先介绍了农业植物表型研究的意义，回顾了基于图像处理的农业植物表型的研究方法。在介绍了卷积神经网络模型的基本原理后，从与农业生产息息相关的三个方面，即植物识别与杂草检测、病虫害检测和产量预测，详细介绍了深度学习技术在农业表型领域的应用成果，并从多个角度对这些研究成果进行了对比分析。

作者对基于深度学习的植物表型研究的未来趋势进行了分析和展望，指出未来通过构建丰富的表型数据集、拓展表型问题研究的领域、尝试更多的网络模型和更多种类型的部署平台、构建三维植物模型获取空间信息，以及提高解决田间场景中的应用效果等，可以切实提高农业生产自动化程度。随着深度学习技术研究的推进，可以肯定的是，未来与植物表型各种具体问题相结合的解决方案会不断增多，将会出现更多高效、实用的基于深度学习的植物表型工作和成果，助力未来更智慧、可持续的农业与更安全的粮食保障。

来源：scichina1950 中国科学杂志社

原文链接：http://mp.weixin.qq.com/s?__biz=MzA3MzQ5MzQyNA==&mid=2656799627&idx=2&sn=2f455bad3668a2f2523af924f97e55f2&chksm=84a11554b3d69c428768caa67e69416ba644bb12a67a37fa595f3802315fac376a43857e6178&scene=27#wechat_redirect

电话：（010）86409582

邮箱：kejie@scimall.org.cn