人工智能、机器学习和深度学习在植物育种中的应用---下篇
介绍
近年来，由于人工智能（AI）技术的进步，特别是机器学习（ML）和深度学习（DL）技术的推动，植物育种领域经历了一场范式转变。这些尖端技术改变了我们对植物生物学的理解。从解码植物防御的复杂分子机制到自动化疾病检测和优化营养水平，AI正在重塑植物育种。AI辅助的组学技术提供了对植物-病原体相互作用的新见解，并促进了应激反应基因的识别。
本篇参考专题（https://doi.org/10.3389/fpls.2024.1420938），接前两篇内容继续重点介绍深度学习在植物科学中的应用。
利用机器学习、深度学习应用于植物科学的主要研究-DL
DL方法，特别是卷积神经网络（CNNs），在植物育种中的图像分析方面取得了革命性进展。Davidson等人提出了一项突破性研究，探索了CNNs在自动分析成熟体细胞胚胎方面的潜力，这是植物繁殖中的关键过程。通过使用CNN进行体细胞胚胎的语义和实例分割，他们的研究证实了神经网络方法在划分形态区域和计数子叶方面的精度和效率，与之前的技术相比提供了前所未有的准确性和效率。通过实现精确的形态特征分割和计数，AI辅助方法为进一步分析体细胞胚胎和提高农业和林业中的作物生产力和可持续性开辟了途径。
辐射松体细胞胚的注释图像
松树体细胞胚分割的深度学习工作流程。
毛茸性（Pubescence）是植物的一种重要表型特征，尤其在小麦中，与抗逆性密切相关。传统上，通过目测颖壳的毛茸性来帮助选择品种，但这种方法主观性强且耗时。Artemenko等人提出了一种利用卷积神经网络（CNN）的人工智能方法，能够自动检测颖壳毛茸性，克服了传统方法的局限性，大大提升了育种效率。他们通过图像分割提取穗部轮廓，然后裁剪图片以保持一致性。同时，他们还研究了图像比例和失真对预测毛茸性的影响，并找出了最佳条件。这种方法为表型分析提供了一种高效可靠的解决方案，帮助育种专家更轻松地选择品种，提高抗逆性。
基于颖壳绒毛对小麦穗图像进行分类的综合分析方法概述(A)图像数据集准备，(B)图像分割流程，(C)图像分类流程。
DL模型具有优化农业实践和提高作物管理策略的潜力。小麦种植面临农业田间幼苗短缺和损坏的经常性问题，导致谷物产量减少和经济损失。Feng等人提供了关于DL在小麦幼苗品种识别中的应用的宝贵见解，介绍了MssiapNet模型作为解决农业生产力挑战的有希望的解决方案。他们的研究结果强调了使用先进技术简化品种识别过程和改进小麦种植中的作物管理实践的重要性。
MssiapNet模型由MSSE2、IAP、MobileVit模块组成，MagcepNet结构如图所示，由5层结构组成，相比MobileVit-XS增加了注意力机制和多通道特征的融合。
Sun等人引入的另一个新颖DL模型SCGNet，结合了多个模块以增强信息交换和特征多重化，专为快速高效的小麦品种分类而设计。通过使用DL技术，他们展示了在植物育种中实现高效准确品种识别的可行性。
新提出的稀疏连接组卷积网络 (SCGNet)架构：左侧部分说明了 SCGNet 的整体结构，而中间部分则深入探讨了组成子模块，即 Downsample 层和 SCG 块。右侧部分进一步放大以揭示 SCG 块的子组件。SCGNet 是一个由各种元素组成的综合网络，包括传统卷积层、多个重复堆叠的 Downsample 层、SCG 块和 3-D 分类卷积层。这些组件的主要目的是捕获和处理输入图像数据的复杂特征。
Li等人通过结合一维CNN（1D-CNN）模型和高光谱成像系统，用于预测棉籽活力。他们通过预处理技术和特征提取算法提取相关信息，以预测棉籽活力。通过指出1D-CNN模型在棉籽活力预测中的有效性，他们的研究促进了自动检测设备的开发，彻底改变了棉籽质量评估实践。此外，光谱和图像特征的融合提高了预测精度，提供了评估棉籽活力的综合方法。
研究采用一维卷积神经网络（1D-CNN）来预测棉籽活力，为了增强1D-CNN模型对棉籽活力预测的适应性，构建了一个定制的7层架构如图所示。
近红外高光谱成像和迁移学习的整合在提升种子活力检测和提高农业生产力方面具有巨大潜力。Qi等人提供了一种使用近红外高光谱成像和迁移学习技术检测水稻种子活力的开创性方法。他们的发现为优化作物种子质量评估过程提供了宝贵的见解，从而提高水稻产量和质量。他们的研究结果显示MixStyle迁移策略在提高CNN模型跨不同水稻品种的泛化能力方面的有效性，导致种子活力的快速准确评估。这种方法对提高水稻生产效率具有深远的影响。
迁移学习过程
识别影响农作物的害虫和疾病是一项费力且容易出错的任务，往往导致次优的控制措施和减产。通过准确识别和分类植物疾病，AI技术使育种者能够更有效地选择和开发抗病植物品种。抗病作物对可持续农业至关重要，因为它们减少了对化学农药的依赖并有助于提高产量和粮食安全。因此，通过AI驱动方法在植物疾病检测方面的进展直接支持植物育种计划，旨在开发抗逆性和高产量的作物品种。
YOLO（You Only Look Once）架构以其实时目标检测能力而闻名，广泛应用于植物图像分析中的目标检测（Liu等，2024）。Li等人展示了CFNet-VoV-GCSP-LSKNet-YOLOv8s模型在具有挑战性的环境条件下准确识别棉花害虫和疾病的有效性。模型的卓越性能为害虫和疾病爆发的实时监测和早期干预提供了有希望的解决方案，从而减轻了产量损失并减少了对化学干预的依赖。这篇文章宣告了棉花植物育种新时代的到来，其中尖端的AI、ML和DL技术汇聚在一起，以显著的精度和效率解决长期存在的挑战。
YOLOv8s网络架构
通过提供害虫和疾病识别与控制的坚实技术基础，CFNet-VoV-GCSP-LSKNet-YOLOv8s模型成为农业可持续性追求中的一个变革者。
另一方面，Ullah等人引入了一种新颖的基于DL的架构DeepPlantNet，用于高效准确地预测和分类植物叶片疾病。DeepPlantNet包含28个学习层，包括卷积层和全连接层，在将各种植物疾病分类为多个类别方面表现出高精度。其研究结果表明，AI在及时疾病识别方面具有显著潜力，展示了其优于现有方法的优越性。
研究开发了一个只有 25 个 ConV 层的 DeepPlantNet 框架，将植物叶片图像分为八类，流程图如图所示。
