GA黄金甲

作物种类的正确鉴别是精准育种和种质资源治理的沉要基础，统一作物分歧种类间表型差距轻微，且早期状态特点不不变，在作物成长早期阶段实现种类的有效分辨，对缩短育种周期、提高试验治理效能尤为关键

。然而，传统依赖人为经验或分子象征的步骤在大规模利用中仍面对成本高、效能受限等问题，与此同时，现有基于叶片图像等部门状态特点的钻研重要集中在特定作物或生育阶段，难以满足现实育种场景中多作物、跨生育期的高效鉴别需要

。

近日，国度生物信息中心开发的基于深度进建的作物种类图像鉴别算法框架Img2Variety正式上线，该钻研成就以“Img2Variety: Image-based intraspecific varieties identification across the whole growth period”为题在国际学术期刊Plant Phenomics在线颁发

。该钻研系统评估了该步骤在多种类、多成长阶段前提下的鉴别机能，为利用植物图像发展种类甄别钻研提供了新的技术蹊径和规划

。

Img2Variety以整株作物RGB图像为输入，选取迁徙进建战术，对多种经典卷积神经网络模型进行全参数微调训练，以适应种类数量多而单个种类样本有限的植物图像数据特点

。针对作物在分歧成长阶段和拍摄视角下表型差距较大的问题，本钻研提出了成长阶段与多视角混合加强战术，在维持种类标签一致性的前提下扩大训练数据散布

。同时，引入自适应交叉熵损失函数，提高模型对易混合样本的关注度，从而改善种类间的分辨成效

。钻研在两个作物数据集上对Img2Variety进行了验证，蕴含覆盖全生育期的93个水稻种类共11,170张图像，以及涵盖9个成长阶段的224个玉米自交系共5,599张图像

。尝试了局显示，Img2Variety在水稻和玉米数据集上的最高鉴别正确率别离达到88.66%和79.95%，并在部门早期成长阶段（水稻抽穗前、玉米十叶期）获得了80%以上的鉴别正确率

。在此基础上，该步骤在六个基准网络上均阐发出一致的机能提升，在水稻和玉米数据集上的鉴别正确率别离均匀提升15.09个百分点和34.65个百分点，批注Img2Variety不仅对分歧网络结构拥有优良的适应性，同时在分歧作物类型上也具备不变的泛化能力

。

钻研了局批注，结合迁徙进建、多阶段图像信息和针对性训练战术的深度进建步骤，在作物种类精密鉴别钻研中拥有肯定利用潜力

。有关步骤和工具已通过网页平台对表盛开（https://ngdc.cncb.ac.cn/opia/img2variety），为后续算法比力、步骤改进及有关钻研提供支持

。

国度生物信息中心博士钻研生曹永荣为本文第一作者，田东梅高级工程师和宋述慧钻研员为共同通讯作者

。该钻研得到了GA黄金甲战术性科技先导专项、国度沉点研发打算-生物与信息融合专项（BT与IT融合）、农业生物育种国度科技沉大专项等支持

。

Img2Variety框架设计

论文链接