https://videopress.com/v/cBeNFnbM?resizeToParent=true&cover=true&posterUrl=https%3A%2F%2Fwww.botany.one%2Fwp-content%2Fuploads%2F2022%2F02%2Fwiwam-vid_mp4_hd.original.jpg&preloadContent=metadataCe robot WIWAM se compose d'un réseau de convoyeurs qui amène les plantes vers des stations de pesage-abreuvement et des cabines d'imagerie, abritant une gamme de systèmes de caméras non destructifs.

Les plantes se déplacent en permanence sur un tapis roulant devant des capteurs qui collectent de vastes collections de données, y compris des images qui peuvent être utilisées pour extraire les caractéristiques des plantes au fur et à mesure de leur croissance. Le phénotypage à haut débit comme celui-ci aide les sélectionneurs de plantes à déterminer quelles caractéristiques et caractéristiques génomiques sont les plus critiques pour l'amélioration des plantes.

Bien que les systèmes d'obtention de ces images et données soient compliqués, l'interprétation des grandes quantités d'images est un plus grand défi.

Les algorithmes de vision par ordinateur utilisant des réseaux de neurones artificiels et l'apprentissage en profondeur pour reconnaître et quantifier les aspects pertinents des plantes cultivées sont prometteurs pour relever ce défi. Cependant, ces réseaux de neurones doivent être entraînés à l'aide de grands ensembles d'images annotées, où les caractéristiques architecturales d'intérêt sont étiquetées, ce qui prend du temps et coûte cher à obtenir.

L'utilisation d'images synthétiques annotées de plantes offre une alternative réalisable.

Dans un nouvel article publié dans in silico Plantes, Mikolaj Cieslak, associé de recherche principal à l'Université de Calgary, et ses collègues présentent un nouveau processus de modélisation qui fournit un nombre pratiquement illimité d'images annotées reflétant la variation individuelle des plantes pour former des réseaux de neurones. L'article présente le développement végétatif du maïs (Zea mays L.) et le développement végétatif et florifère du canola (Brassica napus L.) à titre d'exemples.

Le processus de modélisation pour chaque espèce a été divisé en deux étapes : (1) la construction d'un système en L, capturant qualitativement les éléments essentiels de l'espèce végétale d'intérêt, et (2) l'étalonnage du modèle sur un ensemble de photographies de plantes de référence.

« Pour les deux espèces, nous avons utilisé des systèmes L paramétriques afin de créer un modèle de développement simple et descriptif. Ce modèle est organisé autour du concept d'information positionnelle, ce qui signifie que les principaux aspects quantitatifs de la forme de la plante cible, tels que la distribution des branches, des feuilles et des organes reproducteurs, sont exprimés par des fonctions de position intuitives et faciles à manipuler sur leurs axes de support. Les processus de développement sont simulés en multipliant les fonctions d'information positionnelle par des fonctions du temps », expliquent les auteurs.

Le calibrage était basé sur l'alignement du modèle avec une usine de référence à l'aide d'une interface graphique. Les plantes de référence peuvent représenter un stade de développement spécifique ou une séquence de stades. Les modèles peuvent être calibrés pour capturer la diversité génétique, l'influence de l'environnement (par exemple la limitation de l'eau) et/ou la variation individuelle des plantes.

Calibrage d'un modèle de maïs.
Calibrage d'un modèle de maïs.

Une fois calibré, le modèle peut générer un nombre pratiquement illimité d'images annotées de plantes synthétiques en randomisant les paramètres à l'aide de variables aléatoires normalement distribuées (voir figure 1). Les plantes calibrées peuvent être utilisées pour visualiser individuellement des plantes à différents stades de développement (voir en haut de la figure 2) ou être assemblées en modèles de parcelles entières (voir en bas de la figure 2).

Exemples de plants de canola aux architectures contrastées (en haut) et leurs modèles calibrés (en bas).
Figure 1 : Exemples de plants de canola aux architectures contrastées (en haut) et leurs modèles calibrés (en bas).
Plants de canola simulés
Figure 2 : En haut – Stades simulés du développement d'une plante individuelle (jours après l'ensemencement). En bas – modèle d'une parcelle de canola.

Cieslak ajoute: «Les données annotées synthétiques aideront à former des réseaux de neurones pour identifier les traits sémantiques des plantes dans les tâches de phénotypage basées sur l'image. Notre prochaine étape consiste à extraire les traits phénotypiques des ensembles de données sur le maïs et le canola. Cependant, l'utilité des modèles calibrés va au-delà des annotations pour la formation des réseaux de neurones. Les modèles fournissent une estimation quantitative des paramètres architecturaux de ces plantes au fil du temps sans mesures directes (un processus très chronophage). Ils peuvent également fournir une base pour la construction de modèles plus complets, intégrant les aspects fonctionnels du développement d'une usine.

LIRE L'ARTICLE:

Mikolaj Cieslak, Nazifa Khan, Pascal Ferraro, Raju Soolanayakanahally, Stephen J Robinson, Isobel Parkin, Ian McQuillan, Przemyslaw Prusinkiewicz, Modèles du système L pour la phénomique basée sur l'image : études de cas sur le maïs et le canola, in silico Plants, 2021;, diab039, https://doi.org/10.1093/insilicoplants/diab039

DISPONIBILITÉ DU MODÈLE

Les modèles ont été implémentés à l'aide du logiciel de modélisation de plantes Virtual Laboratory 4.5.1 (algorithmicbotany.org/virtual_laboratory) macOS High Sierra v.10.13.6, et sont disponibles sur le site Web d'Algorithmic Botany (algorithmicbotany.org/papers/l-phenomics2021.html).