叶片表型检测是感知杨树生长状态的重要手段之一,叶片颜色、姿态、纹理等形态结构表型信息可揭示植株所受胁迫的程度。其中,单个叶片分割是计算、统计其表型参数的基础。当前流行的AI算法已可满足叶片分割任务的性能需求,然而常规深度学习模型训练需要大量人工标签,制约了其发展和应用。本研究提出一种融合零样本学习和迁移学习的杨树叶片实例分割方法:运用视觉大模型GroundingDINO检索杨树苗图像中的叶片,获取对应的边界框;使用Segment Anything 2模型(segment anything model v2,SAM2)分割图像中全部对象,得到对应的掩膜(mask);将GroundingDINO模型生成的边界框作为提示,辅助SAM2过滤出叶片类别的掩膜;利用迁移学习策略,将AI生成的叶片掩膜作为标签信息,训练轻量化的YOLOv8-Segment模型。此外,构建独立测试集用于评估模型分割精度,选择交并比阈值为50%的平均精度(average precision using 50%intersection over union threshold,AP_(50))和平均交并比(mean intersection over union,mIoU)作为性能指标。结果表明,基于“Leaf”这一检索词,GroundingDINO与SAM2的组合(权重约810 MB)可实现高性能的杨树叶片分割,AP_(50)为0.936,mIoU为0.778。通过过滤异常尺寸的提示边界框,AP_(50)提升至0.942。迁移学习得到的YOLOv8-Segment模型权重仅6.5 MB,AP_(50)为0.888,大幅精简模型的同时保障了精度。本研究涉及的叶片分割模型构建过程均无须人工标注,实现了高效率、低成本的杨树叶片实例分割,可为杨树叶片计数和叶面积计算等后续表型分析应用提供技术支持。
光电关联显微镜技术(correlative light and electron microscopy,CLEM)将光学显微镜的高灵敏度和大视场与电子显微镜的高分辨率相结合,弥补了各自成像的局限,可在原位获得更全面、更精细的定位及结构信息,近年来受到广泛关注。目前,该...
详细信息
光电关联显微镜技术(correlative light and electron microscopy,CLEM)将光学显微镜的高灵敏度和大视场与电子显微镜的高分辨率相结合,弥补了各自成像的局限,可在原位获得更全面、更精细的定位及结构信息,近年来受到广泛关注。目前,该技术广泛应用于亚细胞结构与特定结构的观察、蛋白质的精确定位、囊泡运输及植物免疫等多个重要研究领域。本文总结了CLEM的概念和原理,对标记探针进行了总结分类,着重就该技术在植物学领域的应用以及存在的问题进行了讨论,并对该技术未来的发展与应用作出了展望。
暂无评论