传统的大豆种质资源耐盐性鉴定方法存在鉴定周期长、鉴定效率低、精准度低等诸多缺陷,不符合现代高通量表型鉴定的需求,且极大地限制了大豆耐盐种质的挖掘与利用。研究以434份大豆材料为研究对象,设计对照和盐处理2个处理,采集大豆苗期...传统的大豆种质资源耐盐性鉴定方法存在鉴定周期长、鉴定效率低、精准度低等诸多缺陷,不符合现代高通量表型鉴定的需求,且极大地限制了大豆耐盐种质的挖掘与利用。研究以434份大豆材料为研究对象,设计对照和盐处理2个处理,采集大豆苗期的RGB图像,构建了基于结合通道选择和空间注意力机制的结构调整网络模型(structural adjustment network model with channel selection and spatial attention mechanism,简称SAM_CSSAM),首先使用改进的通道和空间注意力机制,学习通道和空间上的特征信息,并且结合通道权重选择模块进行去除背景冗余信息,最后提出结构权重选择模块减少下采样时特征信息的损失。在自建的大豆苗期耐盐性数据集上迭代训练500轮,模型的训练损失和验证准确率分别达到0.02、97.22%,精确率为97.24%,召回率为97.26%,F_(1)分数为97.23%。相比于VGG16、MobileNet v2、Conv Next、Shuffle Net等模型均有明显提升。本研究基于深度学习建立了一种基于SAM_CSSAM模型的大豆种质资源苗期耐盐性鉴定方法,可为耐盐大豆种质资源的挖掘提供理论依据和技术支撑。展开更多
文摘传统的大豆种质资源耐盐性鉴定方法存在鉴定周期长、鉴定效率低、精准度低等诸多缺陷,不符合现代高通量表型鉴定的需求,且极大地限制了大豆耐盐种质的挖掘与利用。研究以434份大豆材料为研究对象,设计对照和盐处理2个处理,采集大豆苗期的RGB图像,构建了基于结合通道选择和空间注意力机制的结构调整网络模型(structural adjustment network model with channel selection and spatial attention mechanism,简称SAM_CSSAM),首先使用改进的通道和空间注意力机制,学习通道和空间上的特征信息,并且结合通道权重选择模块进行去除背景冗余信息,最后提出结构权重选择模块减少下采样时特征信息的损失。在自建的大豆苗期耐盐性数据集上迭代训练500轮,模型的训练损失和验证准确率分别达到0.02、97.22%,精确率为97.24%,召回率为97.26%,F_(1)分数为97.23%。相比于VGG16、MobileNet v2、Conv Next、Shuffle Net等模型均有明显提升。本研究基于深度学习建立了一种基于SAM_CSSAM模型的大豆种质资源苗期耐盐性鉴定方法,可为耐盐大豆种质资源的挖掘提供理论依据和技术支撑。
