Plant Methods：利用k近鄰演算法分析芒草萌發種子表型圖像

芒草（Miscanthus sinensis）是禾本科黍亞科多年生C4草本植物，生物質產量高，礦物質含量低，燃燒充分，CO2凈效應為零，無有害氣體釋放，有利於緩解溫室效應，並有助於保持水土；且芒草耐寒抗旱，對水、肥依賴小，收割處理容易，不是糧食作物不佔用口糧，是最具有潛力的第二代能源植物之一。芒草主要通過根莖無性繁殖，但繁殖緩慢且費用高。隨著大面積的推廣種植，芒草種子的需求量越來越大，對芒草種子質量（如發芽率）的檢測需求也越來越大。芒草種子很小，形狀不均一，發芽率低，人工評估發芽情況的工作量非常大，耗時耗精力。因此，研究高通量自動化方法檢測芒草種子發芽情況是必然趨勢。

在Plant Methods發表的文章中，Danny Awty?Carroll等人綜合使用圖像分析、ROC曲線和機器學習來評估芒草種子的萌發並比較該方法與人工評估的優劣。該方法使用基於K近鄰演算法（k-nearest neighbors algorithm,k-NN）的機器學習來改進芒草萌發種子的圖像表型分析。在5000粒種子樣本量上，k-NN演算法評估與人工評估相比是有效的。用ROC曲線下的面積進行檢驗，k-NN評估結果的真實性為0.69-0.70；當使用優化後的圖像進行分析時，k-NN演算法評估結果的真實性甚至可以達到0.89。雖然在分析發霉或破碎種子的圖像上，k-NN演算法不太理想，但這一方法排除了人工評估的主觀偏差、具有高度可重複性，是一種公正的高通量檢測方法。未來，該方法可以通過卷積神經網路（Convolutional Neural Network,CNN）等進一步優化。

圖1 種子萌發示例圖像

圖2 ROC曲線檢驗

全文閱讀

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！