基于Inception-ResNet算法对玉米单倍体育性恢复性状进行分级评估

《Plant Phenomics》：Grading Evaluation of Haploid Fertility Restoration Traits Based on Inception-ResNet in Maize

本研究提出基于Inception-ResNet架构和全局注意力机制（GAM）的玉米单倍体生育恢复评估模型Maize-IRNet，通过模块化设计有效捕捉多尺度特征，实验表明其分类准确率达84.2%，并开发了配套移动应用Haploid-Fertility，显著提升田间评估效率，为双单倍体育种技术提供支持。

　　在现代农业技术中，玉米双单倍体（Double Haploid, DH）技术以其显著缩短育种周期和提高育种效率而受到广泛重视。这项技术对于应对全球粮食安全挑战具有重要意义，因为它能够快速培育出高产优质的作物品种。然而，传统上，评估双单倍体染色体加倍效果主要依赖于人工观察，这种方法不仅耗时，还容易受到疲劳等因素的影响，导致评估结果出现误差和不一致性。因此，开发一种高效且准确的评估技术成为迫切需求。

本研究提出了一种基于Inception-ResNet的玉米双单倍体雄蕊出现率和雌蕊授粉率的分级评估模型（Maize-IRNet）。该模型通过引入多个模块，实现了对玉米双单倍体性状的高效识别。具体而言，Stem模块用于初步的图像特征提取和维度压缩，Inception-ResNet模块则负责多尺度特征学习，同时结合Reduction模块进行空间下采样和特征压缩。为了增强对关键区域的识别能力，研究团队引入了全局注意力机制（Global Attention Mechanism, GAM），使得模型在处理复杂图像时能够更精确地聚焦于重要的特征区域。实验结果显示，Maize-IRNet在雄蕊出现率和雌蕊授粉率的分类准确率分别为84.0%和84.2%，显著优于六种基线方法（VGG11_bn、ResNet50、ResNet101、ViT-Base-16、gMLP、MLP-Mixer）。此外，为了便于育种研究人员在田间应用，团队还开发了一个用户友好的移动应用程序，集成Maize-IRNet模型。用户可以通过该应用上传玉米双单倍体的雄蕊和雌蕊图像，并实时获取性状等级的预测结果，从而提高了田间表型数据收集的准确性和效率。

本研究的成果不仅有助于高通量收集双单倍体性状表型数据，还提升了双单倍体性状评估的效率，降低了育种成本，并为双单倍体技术的工程化推广提供了技术支撑。通过Maize-IRNet模型的应用，研究人员可以更准确地判断玉米双单倍体的性状表现，从而为后续的基因定位和遗传分析提供更可靠的依据。

为了构建这一模型，研究团队首先在田间采集了大量玉米双单倍体的图像数据。这些图像涵盖了不同遗传背景的双单倍体群体，并且经过预处理和分级标注，确保了数据集的高质量和实用性。预处理步骤包括去除模糊或低质量图像、调整图像分辨率至2048×2048像素，并根据已有的分级标准将图像分为六个等级。每个等级的样本数量如表所示，涵盖了从完全无种子（level 0）到几乎全部种子可授粉（level 5）的广泛范围。这些数据的收集为模型训练和评估提供了坚实的基础。

在模型结构方面，Maize-IRNet采用了Inception-ResNet作为其骨干网络，这是一种结合了Inception网络的多路径并行卷积结构和ResNet的残差连接机制的模型。Inception-ResNet的多路径结构能够有效提取不同尺度的特征，而残差连接则有助于缓解梯度消失问题，提升模型的深度学习能力。此外，为了进一步优化模型的性能，研究团队引入了Reduction模块和GAM模块。Reduction模块通过多分支结构实现了空间下采样和特征压缩，而GAM模块则通过通道注意力和空间注意力机制，增强了模型对关键区域的识别能力。

为了验证模型的性能，研究团队进行了多方面的实验，包括不同数据增强策略下的模型表现、不同初始化方法的影响、不同分辨率图像的处理效果以及模型在不同分类等级下的鲁棒性。实验结果表明，Maize-IRNet在各类评估指标上均优于其他方法，尤其是在分类准确率、召回率、精确率和F1分数等方面。此外，通过数据增强实验，研究团队发现Maize-IRNet在面对噪声和干扰时仍能保持较高的准确率，这表明其具有较强的泛化能力。在不同分辨率图像的处理上，尽管2048×2048高分辨率图像在参数数量和运行时间上略高于299×299的低分辨率图像，但其预测精度基本一致，说明模型在处理不同分辨率图像时具有良好的适应性。

在模型的计算效率方面，研究团队对七种模型进行了比较，包括VGG11_bn、ResNet50、ResNet101、ViT-Base-16、gMLP、MLP-Mixer和Maize-IRNet。结果显示，尽管Maize-IRNet的参数数量比轻量级模型（如gMLP和MLP-Mixer）高，但其推理时间仍优于ViT-Base-16等高参数模型。这表明Maize-IRNet在保持较高性能的同时，也兼顾了计算效率，适用于实际应用中的大规模数据处理。

为了进一步提升模型的实用性，研究团队还开发了一个名为Haploid-Fertility的移动应用程序。该应用基于Android平台，能够实现田间图像的实时采集、上传和分析。应用界面包括登录页面、启动页面、结果页面、使用页面以及历史记录页面，用户可以通过这些界面进行种子设置率和雄蕊出现率的预测评估。此外，应用还支持用户对历史预测结果进行回顾、编辑和导出，为育种研究提供了便捷的数据管理工具。

本研究在方法论上的创新点在于引入了全局注意力机制，这使得模型在处理复杂的玉米双单倍体图像时能够更准确地识别关键特征区域。通过GAM模块，模型可以动态调整注意力权重，从而提高对目标特征的识别能力。实验结果表明，GAM的引入显著提升了模型的分类准确率，尤其是在区分低雄蕊出现率的样本时，GAM能够有效减少误判，提高模型的鲁棒性。

在模型的结构分析中，研究团队通过消融实验验证了各个模块对模型性能的影响。实验结果显示，去除Inception-ResNet模块会导致模型性能显著下降，这说明多尺度特征融合对于模型的准确分类至关重要。同时，将Reduction模块替换为其他方式也会降低模型对高种子设置率图像的识别能力，进一步验证了Reduction模块在特征压缩和保留中的作用。此外，GAM模块的引入使得模型在相同训练条件下，分类准确率提高了2.1%，说明该机制在提升模型性能方面具有显著优势。

在实际应用方面，研究团队认为，Maize-IRNet和Haploid-Fertility应用可以有效提升双单倍体技术在育种中的应用效率。通过自动化表型数据的采集和分析，研究人员能够更快速地评估双单倍体性状，从而优化育种策略，提高育种效率。此外，随着农业数字化的发展，将Maize-IRNet集成到农业机器人或低空无人机平台，可以实现大规模的田间表型数据采集，进一步推动双单倍体技术的工程化应用。

尽管本研究取得了显著成果，但仍然存在一些局限性。例如，由于图像质量和样本数量的限制，某些性状等级的预测准确率仍相对较低。为此，研究团队计划引入对比学习策略，以进一步优化模型性能。此外，他们还计划收集更多样化的田间表型图像数据，包括不同光照条件和遮挡情况下的图像，以增强模型的鲁棒性和泛化能力。同时，研究团队认为，未来可以利用更精确的三维（3D）结构信息来弥补二维图像在特征表达上的不足，从而实现更高精度的双单倍体性状评估。

本研究的成果不仅为玉米双单倍体技术的推广提供了技术支持，还为农业数字化和智能化发展提供了新的思路。通过Maize-IRNet模型和Haploid-Fertility应用的结合，研究人员可以更高效地进行双单倍体性状的评估，从而加速育种进程，提高作物改良效率。此外，随着人工智能和软硬件技术的不断发展，自动化表型分析将成为未来农业发展的关键方向。本研究提出的模型和应用，为实现这一目标提供了可行的技术方案，也为进一步探索双单倍体性状的遗传机制奠定了基础。