首页分享薯类作物生物技术专题 | 基于深度学习的马铃薯花粉活力快速检测

薯类作物生物技术专题 | 基于深度学习的马铃薯花粉活力快速检测

来源：花匠小妙招时间：2025-06-17 15:32

夏士轩，耿泽栋，祝光涛，张春芝，李大伟

DOI:10.13560/j.cnki.biotech.bull.1985.2024-0511

马铃薯（Solanum turberosum L.）是茄科茄属的一年生草本双子叶植物，目前已为全球第四大粮食作物。马铃薯育种研究起步很早，但一直存在两个结构性障碍制约着马铃薯产业的发展：（1）生产上使用的栽培马铃薯主要是同源四倍体，基因组高度杂合，遗传分析复杂，给育种带来极大困难；（2）马铃薯使用块茎进行无性繁殖，繁殖率低、种薯用量大、成本高、不便保存和运输、病毒易逐代积累。为解决这两大难题，育种家呼吁开展二倍体马铃薯的研究和育种工作，用二倍体杂交种子替代四倍体薯块繁殖。二倍体马铃薯的遗传背景相对简单，更容易剔除有害突变并聚合优良等位基因，实现品种的快速改良。马铃薯种子能够有效地阻断病虫害随营养器官的传递与积累，降低病虫害的发生几率和跨地区传播，减少储运成本。

花粉作为植物有性生殖过程中传递遗传物质的载体，是产生种子的关键。花粉活力是花粉具有存活、生长、萌发或发育的能力。花粉活力测定可以帮助育种者评估不同种质的花粉质量，判断其繁殖力和生殖潜力，高效利用种质资源，加快品种的遗传改良。评估花粉活力的传统方法是染色后在显微镜下肉眼观察计数，过程缓慢费力，易受人为主观因素的影响，阻碍了高通量筛选。为了提高育种研究的效率，研究人员需要一种快速、高精度的花粉活力表型鉴定方法。光学成像和图像处理技术的飞速发展改变了植物表型测量方式，并成为目前表型组学研究中性状测量的主要工具。然而，尚未有将深度学习技术应用于马铃薯花粉活力检测的研究报道，亟须一套适用于马铃薯花粉活力检测的工具。

近日，《生物技术通报》在线发表了题为的研究报告。本研究将基于PaddlePaddle深度学习框架的SegFormer网络模型应用于花粉TTC染色图像的分割，以交并比（intersection over union，IoU）、精确率（precision）、召回率（recall）和F1分数（F1 Score）作为评价指标。对比U-Net、DeepLabV3模型，SegFormer效果更好，并在不同尺度的数据集上表现出更好的鲁棒性。之后，通过Python OpenCV中的阈值分割、距离变换和分水岭算法计算花粉活力，为马铃薯花粉活力快速鉴定和杂交育种提供技术保障。

本文现已在知网上线，欢迎下载阅读！

本文主要包括以下几部分内容：

1材料与方法

1.1 材料

1.2 方法

2结果

2.1 花粉活力提取流程构建

2.2 不同模型的精度比较

2.3 SegFormer对不同尺度花粉检测能力的迁移性

2.4 花粉活力计算效果评估

2.5 花粉活力检测模型的应用

3讨论

4结论

向下滑动查看更多

表型是植物遗传研究和作物改良的基础，是选择和培育新品种的重要依据。表型数据与遗传信息相结合，可以大大加快优良品种的育种进展。传统的植物表型测量方法主要依赖于人工直接观察和使用工具测量，存在劳动强度大、效率低且较为主观等问题。因此，如何高通量提取表型已逐渐成为作物育种研究的主要瓶颈。随着传感器技术的进步，各种光学传感器和图像处理技术逐渐被应用于植物表型分析任务中。这些技术使得研究人员能够以高通量、自动化的方式获得大量详细的表型信息。花粉活力在作物杂交育种中扮演着至关重要的角色，通过检测花粉活力，可以确定亲本的可育性，筛选出优质亲本，提高杂交成功率。目前，马铃薯育种已经取得许多重大进展。但对于马铃薯花粉活力检测，仍缺乏高通量的有效手段，严重阻碍了马铃薯育种资源的挖掘。

本研究基于深度学习和Python OpenCV程序，构建了一套马铃薯花粉活力快速检测方法。同人工检测相比，该方法在效率和准确性上有明显优势，可以减少研究人员的工作量，降低疲劳、误操作等人工因素对检测结果造成的影响。另外，使用深度学习模型分割花粉，可以避免肉眼识别花粉颜色的主观性。在本研究中，为获得最佳分割效果，选取了3个不同模型进行测试对比，SegFormer模型在各项评估指标上的表现最好，但该模型对粘连目标的分割精度仍待加强。此外，本研究基于语义分割模型实现对花粉颜色的区分，但不能区分花粉颜色的深浅，需要开发其他工具实现此目标。我们验证了该模型对不同尺度花粉图像的分割能力，但对于其他物种花粉染色方法的图像并未进行测试，下一步需要增加其他染色类型的数据集进行训练，提高模型的应用范围。OpenCV程序实现了自动化计数，大大提升了检测效率，但其计算的准确性依赖于掩膜图的分割效果。采集更高质量的原始图像或者增加训练数据集，可能有助于提升模型分割的精度，使花粉活力计算更为精确。

综合3个模型在花粉图像分割中的表现情况，SegFormer模型对有活力花粉和所有花粉的分割效果均为最佳，且在不同尺度图片中表现良好。配合Python OpenCV程序，能够完成自动、批量计算马铃薯花粉活力，且与人工识别相比的误差较小。

《生物技术通报》是由中国农业科学院农业信息研究所主办、生物工程技术领域高水平综合性学术期刊，由知名科学家谢旗研究员担任期刊主编。主要报道与农业科学相关的国内外生物技术领域最新基础研究成果，致力于为学术共同体打造学术成果传播和交流的优秀平台。目前是中文核心期刊、中国科技核心期刊，入选CSCD核心库、RCCSE核心，“百种中国杰出学术期刊” “中国精品科技期刊” “中国科技期刊卓越计划”入选期刊。

投稿网站：

欢迎订阅：

1. 各地邮局订阅：邮发代号18-92

2. 科学出版社期刊发行部：电话 010-64017032；010-64017539

赞助单位

投稿、转载信息发布及合作等事宜请联系:010-82109925/82109903

官方唯一投稿系统：http://biotech.aiijournal.com

长按关注：生物技术通报