基于视觉症状的植物压力鉴定主要是受过训练的病理学家进行的人工操作，主要是由于混杂症状的出现。然而，手工操作过程乏味，费时，并且具有不确定性。作者通过可解释的深度机器学习的概念来解决这些问题，使植物应力识别、分类和量化的过程自动化。作者构建了一个非常精确的模型，不仅可以提供经过培训的病理学家级别的表现，还可以解释使用哪些视觉症状进行预测。作者证明，此方法适用于多种生物和非生物胁迫，并可转移到其他成像条件和植物。
大豆叶片胁迫示意图，将其分为两大类，即生物（细菌和真菌）和非生物（营养缺陷和化学伤害）胁迫。
作者展示了机器学习框架能够以显著的准确度识别和分类不同的大豆叶片压力的能力，并提出了一种解释机制，使用top-K高分辨率的特征图来分离用于预测的视觉症状。这种无监督的视觉症状鉴定提供了一个压力严重程度的定量测量，允许在没有专家详细症状注释的情况下在单个框架中进行识别（叶型压力的类型），分类（低，中或高压力）和量化（压力严重度）。
框架总体原理图
作者通过对25000多幅图像的学习，可靠地识别和分类了几种生物(细菌和真菌疾病)和非生物(化学损伤和营养缺乏)胁迫。所学模型对输入图像扰动具有鲁棒性，这证明了高通量部署的可行性。同时，学习模型对物种不可知，似乎表明了转移学习的能力。可持续，快速，准确地识别和量化叶片胁迫的可解释模型的可用性将对科学研究，植物育种和作物生产产生重大意义。训练后的模型可以部署在移动平台上(如无人飞行器和自动地面侦察机)，用于快速、大规模侦察，或者作为农民和研究人员实时检测压力的移动应用。
关键词：植物胁迫表型，机器学习，精准农业
来源：PNAS published ahead of print April 16, 2018.An explainable deep machine vision framework for plant stress phenotyping.Sambuddha Ghosal, David Blystone, Asheesh K. Singh, Baskar Ganapathysubramanian, Arti Singh, and Soumik Sarkar.
长按关注
微信号：whgfgdkj
您身边的植物表型专家！
点击"阅读原文"