2024年7月，美国丹佛斯植物科学中心的Katherine M. Murphy等人在Annual Review of Plant Biology发表了题为Deep Learning in Image-Based Plant Phenotyping的文章，综述了深度学习技术在植物表型分析中的应用。

关键词: 人工智能, 机器学习, 深度学习, 计算机视觉, 植物表型组学,  成像, 卷积神经网络

01

深度学习作为机器学习的一个分支，通过构建多层的神经网络模型，能够从大量数据中自动学习复杂的模式和特征。在植物表型分析中，深度学习主要用于图像数据的解析，以识别和预测植物的生长状态、形态特征和可能的病害等问题。

深度学习在研究植物表型中的应用

植物分类

病害检测

定量特征预测

精准农业决策

图1. 植物表型组学中常用计算机视觉任务的示例

02

深度学习模型在植物分类任务中表现出色，经过训练能够有效地区分和识别不同物种的植物。利用iNaturalist数据集，深度学习模型通过Inception-ResNet-v2架构实现了对数千种植物和动物的高效分类，top-1准确率达69.5%，top-5准确率达87.1%。

图2.机器学习任务的一般概述

图3.用于从植物图像预测全植物生物量的线性回归模型示例

03

通过对植物叶片的图像进行分析，模型能够识别出病害的早期迹象，这对于及时采取农业管理措施至关重要。在病害识别方面，深度学习模型处理了超过54,000张作物病害图像，通过GoogLeNet模型达到了99.34%的分类准确率，有效辅助病害管理。

图4.机器学习和深度学习的工作原理

图5.用于减少计算时间和过拟合的池化过程

04

深度学习技术还被用于预测植物的定量特征，如叶片数量和植物生物量。这些模型能够处理高分辨率的图像，并从中估计出植物生长的关键指标。以IPPN数据库图像为基础，结合真实与合成图像，深度学习模型在叶片数量预测任务中取得显著成果，均方误差降至0.73，提升了特征预测的精确性。

图6.分类器的评估指标示例

图7.图像分割任务的评估指标：交并比(IOU)

05

决策支持方面，深度学习模型通过分析植物的实时图像，能够为精准农业提供决策依据，比如在最佳的时机施用肥料或农药。深度学习模型通过分析水稻田间图像，以93.5%的准确率检测杂草，指导精准施药，优化了农业管理决策。

图8.下一代深度学习模型

本研究综述了深度学习技术在植物表型分析中的应用，揭示了其在提升作物产量与品质方面的巨大潜力。深度学习通过自动化的特征提取与分析流程，提高了研究效率和植物监测能力，为精确农业管理提供了新途径，助力全球粮食安全。

原文链接：doi :10.1146/annurev-arplant-070523-042828