SAM在葡萄簇結(jié)構(gòu)與果實特性綜合分析中的應(yīng)用

Plant Phenomics | SAM在葡萄簇結(jié)構(gòu)與果實特性綜合分析中的應(yīng)用

葡萄簇結(jié)構(gòu)和緊湊度是影響產(chǎn)量、品質(zhì)和對病蟲害的敏感性的重要果實性狀。簇結(jié)構(gòu)與簇緊湊度直接相關(guān)，簇緊湊度描述了漿果占據(jù)的體積與總簇體積之間的比率。集群結(jié)構(gòu)決定了漿果在集群中的排列和自由空間的分布，集群結(jié)構(gòu)復(fù)雜，難以定量測量，果軸分枝方式受漿果數(shù)量、大小、形狀、空間位置等因素的影響。雖然可以通過觀察聚類輪廓來識別聚類結(jié)構(gòu)的某些特征，但更精確的分析需要對聚類內(nèi)的單個漿果進(jìn)行識別和空間定位。

2024年6月，Plant Phenomics在線發(fā)表了University of California Davis題為Segment Anything for Comprehensive Analysis of Grapevine Cluster Architecture and Berry Properties的研究論文。

該論文研究測量了SAM（Segment Anything Model）在分割葡萄果簇圖像中可見果實的準(zhǔn)確性，重點考察了其在無需額外模型訓(xùn)練或微調(diào)情況下的表現(xiàn)。探討了在圖像中預(yù)測隱藏果實的能力，并分析了拍攝角度對識別果實的影響。開發(fā)了新的定量方法，基于果實在果簇中的分布，描述果的結(jié)構(gòu)特征，提出了新的指標(biāo)來分析果簇的形態(tài)結(jié)構(gòu)。最后評估了果簇結(jié)構(gòu)和緊湊性特征在重復(fù)實驗中的一致性，檢驗了這些性狀的可重復(fù)性和穩(wěn)定性。

圖1 用于生成和處理SAM掩模的流程總結(jié)

首先，測量SAM在識別果簇圖像中可見果實的準(zhǔn)確性，這一部分的研究目標(biāo)是評估SAM模型（圖1）在分割圖像中清晰可見的果實時的性能。研究使用了加州大學(xué)戴維斯分校的F1雜交種群，包括Cabernet Sauvignon和Riesling品種，這些品種在果簇結(jié)構(gòu)上具有顯著差異。

圖2 對葡萄簇目標(biāo)進(jìn)行拍攝

研究中，每個植株選取5個代表性果簇進(jìn)行成像，使用Canon EOS 70D相機(jī)配備24mm定焦鏡頭，設(shè)置固定的光圈和曝光時間以保證圖像質(zhì)量。成像過程中，每個果簇至少從一個角度進(jìn)行拍攝，部分果簇從四個角度（0°, 90°, 180°, 270°）拍攝（圖2），以評估果簇的復(fù)雜結(jié)構(gòu)。圖像采集后，使用SAM進(jìn)行處理。首先，定義了感興趣區(qū)域（ROI）以減少處理像素數(shù)量。然后，利用預(yù)訓(xùn)練的ViT-H圖像編碼器進(jìn)行掩碼預(yù)測。通過在ROI內(nèi)分布的XY網(wǎng)格點作為提示，SAM能夠識別和分割圖像中的漿果。研究中測試了不同網(wǎng)格配置的效率，最終選擇了32×32的網(wǎng)格，因為它在計算效率和漿果檢測數(shù)量之間取得了平衡。

圖3 成像角度對聚類分析的影響

研究結(jié)果顯示，SAM在識別2D果簇圖像中的漿果方面表現(xiàn)出色，與人工識別的漿果數(shù)量的相關(guān)性達(dá)到0.96。盡管由于視線遮擋問題，圖像中的可見漿果計數(shù)通常低估了實際的果簇漿果數(shù)量，但研究表明這種差異可以通過線性回歸模型進(jìn)行調(diào)整。此外，研究還強(qiáng)調(diào)了成像角度對漿果計數(shù)和果簇結(jié)構(gòu)評估的重要性，發(fā)現(xiàn)不同角度的成像可以導(dǎo)致漿果計數(shù)變化約±50%（圖3）。

圖4 漿果位置沿著水平和垂直軸的累積分布

通過SAM生成的漿果掩碼，研究者能夠詳細(xì)分析果簇結(jié)構(gòu)，包括漿果在果簇中的空間分布。利用漿果位置信息，研究者計算了基于漿果分布的復(fù)雜特征，比如果簇的累積分布函數(shù)和果簇形狀的定量描述（圖4）。這些分析有助于深入理解果簇結(jié)構(gòu)的遺傳和環(huán)境影響，為葡萄園管理和育種提供科學(xué)依據(jù)。

總體而言，本研究成功展示了SAM在葡萄果簇和漿果屬性分析中的應(yīng)用潛力，為未來在葡萄園條件下直接應(yīng)用計算機(jī)視覺技術(shù)提供了新的可能性。通過這種方法，研究人員可以在不依賴于傳統(tǒng)訓(xùn)練數(shù)據(jù)的情況下，快速準(zhǔn)確地分析大量果簇圖像，為葡萄育種和栽培管理提供有力的工具。

論文鏈接：
https://doi.org/10.34133/plantphenomics.0202‍

——推薦閱讀——
LiDAR Is Effective in Characterizing Vine Growth and Detecting Associated Genetic Loci 
https://doi.org/10.34133/plantphenomics.0116
Plant Phenomics | 激光雷達(dá)能夠高效地描述葡萄的生長情況和檢測相關(guān)遺傳位點
Semi-supervised Counting of Grape Berries in the Field Based on Density Mutual Exclusion
https://doi.org/10.34133/plantphenomics.0115
Plant Phenomics | 武漢工程大學(xué)基于密度互斥的田間葡萄果實半監(jiān)督計數(shù)

加入作者交流群
掃碼添加小編微信，拉您進(jìn)入《植物表型組學(xué)》作者交流群，群內(nèi)不定期開展作者分享會、�？�發(fā)布會等高質(zhì)量活動。

添加小編微信，備注姓名+單位+PP，加入作者交流群

About Plant Phenomics
《植物表型組學(xué)》（Plant Phenomics）是由南京農(nóng)業(yè)大學(xué)創(chuàng)辦的英文學(xué)術(shù)期刊，于2019年1月正式上線發(fā)行。采用開放獲取形式，刊載植物表型組學(xué)交叉學(xué)科熱點領(lǐng)域具有突破性科研進(jìn)展的原創(chuàng)性研究論文、綜述、數(shù)據(jù)集和觀點。具體范圍涵蓋高通量表型分析的最新技術(shù)，基于圖像分析和機(jī)器學(xué)習(xí)的表型分析研究，提取表型信息的新算法，作物栽培、植物育種和農(nóng)業(yè)實踐中的表型組學(xué)新應(yīng)用，與植物表型相結(jié)合的分子生物學(xué)、植物生理學(xué)、統(tǒng)計學(xué)、作物模型和其他組學(xué)研究，表型組學(xué)相關(guān)的植物生物學(xué)等。期刊已被DOAJ、Scopus、PMC、EI和SCIE等數(shù)據(jù)庫收錄�？祁Ｎò睯CR2023影響因子為7.6，位于農(nóng)藝學(xué)一區(qū)（1/125名），植物科學(xué)一區(qū)（13/265名），遙感一區(qū)（6/62名）。2023年中科院期刊分區(qū)位于農(nóng)林科學(xué)大類一區(qū)。2020年入選中國科技期刊卓越行動計劃高起點新刊項目、2024年入選江蘇科技期刊卓越行動計劃領(lǐng)軍期刊項目。

說明：本文由《植物表型組學(xué)》編輯部負(fù)責(zé)組稿。
中文內(nèi)容僅供參考，一切內(nèi)容以英文原版為準(zhǔn)。
撰稿：章?lián)P（南京農(nóng)業(yè)大學(xué)）
編輯排版：王平、李芯蕊（南京農(nóng)業(yè)大學(xué)）
審核：陳俐