Comparison of different methods to construct core collections of Momordica charantia
-
摘要:目的
通过比较不同方法构建的苦瓜Momordica charantia核心种质资源的优劣，选择能代表原群体遗传多样性的核心种质，为苦瓜种质资源的高效利用提供依据。
方法采用混合线性模型对154份苦瓜种质的第1雌花节位、瓜纵径、瓜橫径、瓜肉厚和单瓜质量等5个性状的基因型值进行无偏预测；基于性状的基因型预测值，采用马氏距离计算苦瓜种质间的遗传距离；通过8种聚类方法和3种抽样方法，按照30%的抽样率构建苦瓜核心种质资源，评价不同聚类方法和抽样方法构建苦瓜核心种质的优劣。
结果8种聚类方法构建的核心种质所有5个性状的变异系数均高于原群体；最短距离法构建的苦瓜核心种质5个性状的方差和变异系数均高于原群体，明显优于其他7种聚类方法。优先抽样法和偏离度抽样法构建的核心种质的极差与原群体一致，但偏离度抽样法构建的苦瓜核心种质有3个性状的变异系数高于其他2种抽样法，表明偏离度抽样法略优于随机抽样法和优先抽样法；基于马氏距离、偏离度抽样法及最短距离法获得了46份苦瓜核心种质，其中，Y5、Y87、Y112和Y139为苦瓜骨干材料。
结论基于马氏距离、偏离度抽样法及最短距离法获取的46份苦瓜核心资源能够代表原群体的遗传多样性。本研究进一步证实了来源于印度及东南亚地区的苦瓜种质具有丰富的遗传多样性，为苦瓜种质资源的收集、评价与高效利用提供了重要依据。
Abstract:ObjectiveTo construct core collections of bitter gourd (Momordica charantia) which can represent the genetic diversity of the initial population by comparing different construction methods, and facilitate the efficient utilization of bitter gourd germplasm.
MethodWe sampled 154 bitter gourd germplasm as materials, predicted the genotypic values of five traits (node bearing first female flower, fruit length, fruit width, flesh thickness and mass per fruit) without bias using mixed linear model analysis, calculated the genetic distances among bitter gourd germplasm based on genotypic values of all five traits using Mahalanobis distance, and constructed core collections with 30% sampling proportion by using eight different clustering methods and three different sampling strategies. The quality of core collections constructed using different clustering methods and sampling strategies were evaluated.
ResultThe variation coefficients of all five traits of the core collections constructed with eight clustering methods were larger than those of the initial population. Single linkage was better compared to the other seven clustering methods by significantly increasing the variances and coefficients of variation for all five traits. The ranges of core collections constructed with preferred sampling and deviation sampling were consistent with those of the initial population. The variation coefficients of three traits of the core collection from deviation sampling were larger compared to the other two sampling methods, indicating that deviation sampling was slightly better than random sampling and preferred sampling. Forty six core collections of bitter gourd were obtained based on Mahalanobis distance, deviation sampling and single linkage. Among them, Y5, Y87, Y112 and Y139 were the backbone materials.
ConclusionThe 46 core collections of bitter gourd, which were obtained based on Mahalanobis distance, deviation sampling and single linkage, can well represent the genetic diversity of the initial population. This study further provides evidence for high genetic diversity in the bitter gourd germplasm from India and Southeast Asian. Our results provide an important theoretical basis for the collection, evaluation and efficient utilization of bitter gourd genetic resources.
-
Keywords:
- Momordica charantia /
- core collection /
- genotypic value /
- sampling strategy /
- clustering method
-
杂交稻种子活力是杂交稻育种和育秧中的重要指标。育种中，选用高活力的水稻种子进行杂交，有利于选育出高品质的新品种[1]。机械化育秧中，种子出芽率和出芽整齐性是影响机械化育秧播种量调节和播种质量的重要参数指标[2]。出芽率高且出芽整齐的种子有利于培育高质量的秧苗，而杂交稻种子的出芽率和出芽整齐性与种子的活力息息相关。因此，快速评估杂交稻种子活力具有非常重要的实际意义。传统的种子活力检测方法主要是采用标准的种子发芽试验法，即在一定的条件下，对被检测的种子进行发芽试验并统计发芽率[3]。该方法仅将催芽种子分为发芽和未发芽两类，并未进行种子活力细化分级，分类相对粗糙；对出芽整齐性的评估也主要是通过评价者主观评价，没有统一的标准。种子发芽试验法是一种有损检测方法，且检测过程复杂。种子活力无损检测方法主要有X光、近红外光谱、高光谱、多光谱、可调谐半导体激光吸收光谱和色选技术等光学检测方法，检测对象为未催芽的种子，但这些技术目前基本上还处于实验室研究阶段，尚未形成可商用的种子活力光学检测装备。在育种和机械播种等实际工作中需要知道种子发芽后的发芽率和发芽势，对经过光学技术检测后的种子仍需进行催芽后的分级分选[4]。随着杂交稻育种技术和机械化育秧技术的快速发展，对大规模种子活力的精细判别提出了新的要求，例如，杂交稻机械化精量播种中，要求每穴播1~2粒芽种且芽长不超过3 mm，因此，迫切需要对发芽后的水稻种子活力进行多级别精细化检测，加强对种子质量和幼苗强壮程度的预判，以适应育种和机械化育秧技术发展的需求。
传统的图像处理方法和机器视觉技术结合不同硬件实现了特定任务的检测及分级[5-6]。将深度学习算法与现有的光学成像和检测技术结合，已成为探索种子活力检测的重要途径。基于近红外光谱图像和光谱信息，Yang等[7]结合迁移学习构建深度学习模型，对水稻种子活力进行评估，最高识别准确率达99.50%；Ma等[8]采用卷积神经网络深度学习方法对日本芥菜种子活力检测的准确率达90%左右；Nie等[9]利用深度卷积神经网络对杂交秋葵种子和丝瓜种子的品种进行鉴别，分类准确率大于95%。基于高光谱和卷积神经网络，Pang等[10]对玉米种子活力进行检测，模型的识别准确率可达99.96%。目前，图像分级检测存在各具特色的目标检测网络，如Faster RCNN、YOLO系列和SSD-MobileNet等，其中，YOLO系列的卷积神经网络具有检测准确率高、模型占用内存小和模型易于移植手机端等特点，已成功应用于各种目标检测和分级研究。例如，张秀花等[11]提出了一种基于改进的 YOLOv3-Tiny 番茄穴盘苗分级检测方法，为番茄穴盘苗的自动化检测和分选提供参考。王立舒等[12]对 YOLOv4-Tiny 网络结构进行改进，提出一种含有注意力模块的目标检测网络，实现自然环境下蓝莓果实成熟度的精确快速识别，为蓝莓采摘机器人和早期产量预估提供快速精准的目标识别。宋怀波等[13]设计了一种YOLOv5-MD轻量型网络用于重度粘连的小麦籽粒检测，可为小麦籽粒检测嵌入式设备研发提供必要的技术支持。骆润玫等[14]提出一种基于YOLOv5-C的复杂背景下广佛手病虫害的识别方法，能快速准确地识别目标。殷献博等[15]提出一种基于多注意力机制改进的YOLOX-Nano智能识别模型，实现了柑橘梢期长势的智能识别，为果园实时感知和智能监测提供了可行的数据和技术方案。YOLO算法在目标检测中表现出旺盛的生命力，其算法也在不断完善[16]。Yang等[7]基于近红外光谱图像和深度学习模型对水稻种子活力进行检测，获得较好的识别准确率，但相对于可见光成像的RGB图像，其图像获取更复杂、成本也更高；此外，YOLOv5应用于杂交稻芽种分级检测中，虽然检测速度相对较快，但检测精度相对较低，速度仍可提升。为提高杂交稻芽种快速分级检测的精度和速度，基于可见光成像，本文提出了一种基于YOLOv5改进模型的杂交稻芽种快速分级检测方法，以期为水稻育种和机械化育秧技术装备研发提供智能化技术支持。
1. 图像采集与数据集制作
杂交稻芽种图像数据于2022年3月中旬在华南农业大学工程学院北楼105实验室采集，杂交稻品种为‘五优1179’。种子催芽成功后，芽长变化是一个连续的过程。为了对发芽后的种子活力进行分级，本文根据机械化播种对芽长的要求将芽种分为4级(图1)：未发芽、破胸露白、发芽(芽长小于3 mm)和长芽(芽长大于3 mm)，破胸露白和发芽的种子适合机械化精量播种育秧，未发芽和长芽种子不适合机械化播种育秧。考虑到不同等级的图像采集数量多、时间长，种子催芽成功后，为了控制种子生长速度，采用低温调控，以确保获取足够多的样本。试验期间，使用分辨率为8 168×4 592像素的安东星工业相机采集水稻芽种图像，相机安装在高度可调的台架上，为减少光线变化对成像的影响，台架上配备了补光设备；考虑到人工识别水稻种子发芽及芽长等级是逐粒进行的，为简化模型的复杂度，将芽种尽可能不重叠地平放在试验台架上；获取的图像保存为.jpg格式。共获得杂交稻芽种图像3700 幅[包含单粒、多粒(2~7粒)及混合]，其中，未发芽、破胸、发芽和长芽图像分别为900、980、1180和640 幅。为增加图像信息和扩充数据集，对采集到的图片进行数据增强，同时使用平移、旋转、添加噪声、剪裁和HSV色域转换方法生成包含5 550 幅图像的数据集，数据集划分如表1所示。
![图 1 杂交稻芽种分级]()
图 1 杂交稻芽种分级a：未发芽种子；b：破胸露白种子；c：发芽种子；d：长芽种子Figure 1. Classification of hybrid rice bud seedsa: Ungerminated seed; b:Pre-germinated seed; c:Germinated seed; d: Long bud seed表 1 杂交稻芽种图像数据集的样本数量Table 1. The number of data set samples of hybrid rice bud seeds数据集
Data set未发芽种子
Ungerminated seed破胸露白种子
Pre-germinated seed发芽种子
Germinated seed长芽种子
Long bud seed混合芽种
Mixed
bud seed合计
Total多粒
Multiple
seeds单粒
Single
seed多粒
Multiple
seeds单粒
Single
seed多粒
Multiple
seeds单粒
Single
seed多粒
Multiple
seeds单粒
Single
seed训练集
Training set400 480 546 530 679 637 423 345 400 4440 验证集
Validation set60 75 66 81 87 60 53 43 30 555 测试集
Test set60 75 66 81 87 60 53 43 30 555 2. 改进的YOLOv5目标分级检测模型
2.1 YOLOv5网络
深度学习目标检测网络中，常见的算法主要有Faster-Rcnn[17]、R-CNN[17]、SPPNet[18]、YOLO[19]和SSD [20]等。YOLOv5是YOLO系列的第5代算法，其中，YOLOv5s的权重值最小、检测网络深度小且检测速度快，但该方法对深层图像特征的提取能力相对较低，在杂交稻芽种分级检测中易出现漏检和分类错误，不能满足杂交稻芽种分级检测精度要求。本文通过引入SE(Squeeze-and-excitation)注意力机制，同时将GIoU(Generalized intersection over union)损失函数改进为CIoU(Complete intersection over union)损失函数，对YOLOv5s进行改进和增强，提高了目标检测的特征提取和特征融合能力以及收敛速度。
2.2 YOLOv5目标分级检测模型改进
2.2.1 引入SE注意力机制
注意力机制模仿了人类大脑的视觉注意力机制，通过浏览全局图像对输入信息进行注意力分配，确定重点关注区域，从而快速获取关键信息[21]。SE注意力机制是一种通道注意力机制[22]，可以嵌入到YOLOv5s模型中，引进SE注意力机制不会改变原有通道信息提取能力，但能够对无用的背景信息进行过滤，并重点关注特殊内容和特殊位置的信息，从而有效地提高特征信息提取能力，进一步提高检测的准确率。在杂交稻芽种分级检测中，稻种发芽部位位于头部的一侧，其位置具有特殊性。本研究在YOLOv5s颈部结构中添加SE注意力机制以增强特征通道间的关注度，拟合目标通道相关特征信息并抑制无效信息，提高网络模型对水稻芽种发芽部位的关注度，减少背景干扰，有效地提升了模型检测精度。
首先，SE模块对输入特征图X做全局平均池化，生成长为
$ H $ 、宽为$ W $ 、通道为$ C $ 的通道特征图像，然后对通道特征图像的长、宽求和再取平均值生成空间注意力特征。挤压(Squeeze，$ {F}_{\mathrm{s}\mathrm{q}} $ )操作算法如下：$$ Z={F}_{\mathrm{s}\mathrm{q}}=\displaystyle\sum\limits_{{{i}} = 1}^H {\displaystyle\sum\limits_{{{j}} = 1}^W } u(i,j)/(H\times W) \text{，} $$ (1) 式中，
$ Z $ 表示通道特征图的平均特征值，$ u(i,j) $ 表示特征图上的单个特征值。然后，激励(Excitation，
$ {F}_{\mathrm{e}\mathrm{x}} $ )操作将$ H\times W\times C $ 的特征图压缩为$ 1\times 1\times C $ 特征图，在$ {F}_{\mathrm{e}\mathrm{x}} $ 操作中使用2层全连接自适应学习生成权重($ S $ )，算法如下：$$ S={F}_{\mathrm{e}\mathrm{x}}=\sigma [{w}_{2}\times \delta ({w}_{1}\times Z\left)\right] \text{，} $$ (2) 式中，
$ {w}_{1} $ 、$ {w}_{2} $ 分别为2个全连接层的权重值，$ \delta $ 为连接层使用的Relu激活函数，$ \sigma $ 表示Sigmoid函数。Sigmoid函数归一化操作构建各个注意力特征通道之间的关系，把每个通道的数值限制在0~1之间，抑制无用特征通道信息，激活重点关注区域特征通道。图2为SE注意力模块的结构示意图。
2.2.2 改进损失函数
目标检测算法的损失函数一般由位置回归损失和分类损失组成。通常，位置回归损失的评价指标为交并比(Intersection over Union，IoU)，该指标用于衡量2个形状之间的相似性。IoU的计算方法如下：
$$ \mathrm{I}\mathrm{o}\mathrm{U}=\dfrac{|A\cap B|}{|A\cup B|} \text{，} $$ (3) 式中，A表示真实框，B表示预测框，A∩B表示预测框和真实框的重叠区域，A∪B表示预测框和真实框的并集。
当预测框和真实框没有重叠区域时，IoU损失函数不仅无法衡量两边界框之间的距离，也无法进行梯度计算[11]。YOLOv5s模型中则采用GIoU损失函数[23]作为位置回归损失的评价指标。GIoU损失函数是IoU的推广，计算公式如下：
$$ \mathrm{G}\mathrm{I}\mathrm{o}\mathrm{U}=\mathrm{I}\mathrm{o}\mathrm{U}-\dfrac{|C-\left(A\cap B\right)|}{\left|C\right|} \text{，} $$ (4) 式中，
$ C $ 表示包含$ A $ 和$ B $ 的最小凸集。虽然GIoU损失函数能解决两框不相交时的问题，但采用GIoU损失函数检测水稻芽种时，存在无法确认效果最佳的预测框情形。如图3所示，图中3种情况为预测框都在真实框里面，但预测框位置不同。此时，虽然计算得到的GIoU损失函数值是相同的，但无法确定哪个预测框是最佳预测框。为解决该问题，本研究引入CIoU损失函数[24]替代原GIoU损失函数，优化两个框中心点之间距离，有效提高预测框的回归效果。图4为IoU和CIoU的示意图，实线框为真实框，虚线框为预测框。CIoU损失函数计算公式如下：
![图 3 GIoU损失函数值一致的不同情况]()
图 3 GIoU损失函数值一致的不同情况Figure 3. Different cases of consistent GIoU loss function values![图 4 IoU和CIoU示意图]()
图 4 IoU和CIoU示意图A：真实框；B：预测框；c：A和B最小矩形框的对角线距离； d：A和B中心点的距离Figure 4. The schematic diagrams of IoU and CIoUA: True frame; B: Prediction frame; c: Diagonal distance between the minimum rectangular frames of A and B; d: Distance between the center points of A and B$$ \mathrm{C}\mathrm{I}\mathrm{o}\mathrm{U}=1-\mathrm{I}\mathrm{o}\mathrm{U}+\dfrac{{\rho }^{2}\left(A\text{，}B\right)}{{c}^{2}}+\alpha v \text{，} $$ (5) 式中，
$ \alpha $ 表示权衡参数，通过对$ \alpha $ 值调制，更容易用于改进检测器的效果；$ \;{\rho }^2\left(A，B\right) $ 表示两框中心点间距离；$ v $ 表示长宽比一致性，$ c $ 表示预测框和目标框的最小矩形框的对角线距离。2.2.3 YOLOv5-1目标分级检测算法
YOLOv5s改进后的检测网络命名为“YOLOv5-I”，其网络结构如图5a所示。主要包括Input端、Backbone网络端、Neck端和Prediction端4个部分。
![图 5 YOLOv5-I网络结构以及CSP1_X和CSP2_X模块]()
图 5 YOLOv5-I网络结构以及CSP1_X和CSP2_X模块Figure 5. YOLOv5-I network structure, and CSP1_X and CSP2_X modules1) Input端：包括图片输入、自适应锚框和马赛克数据增强。首先，对图像进行预处理，即将输入图像缩放至像素为608×608的图像，然后进行灰度处理。为提高检测速度，在自适应锚框训练前对数据进行标注；为提高目标检测精度，在网络训练过程中进行马赛克数据增强。
2) Backbone网络端：包括CSP1_X模块和Focus模块。CSP1_X模块的作用是对2个分支结构分别进行卷积操作生成Concat模块，经BN(Batch normalization)操作和Leaky Relu激活函数归一化处理最终生成CBL模块，如图5b所示。CBL模块输出的特征图大小与CSP1_X模块相同，保证了图像的完整性。Focus模块的作用是对特征图进行切片操作，目的是在无特征参数下将输入维度进行下采样操作，大幅缩减对图片提取特征梯度的计算量，从而加快训练速度。
3) Neck端：使用FPN(Feature pyramid network)和PAN(Path aggregation network)结构实现信息高维度和信息低维度的融合。FPN采用自上向下的特征金字塔方式，将上采样信息融合成新的特征信息得到预测的特征图。PAN 采用自下而上的特征金字塔方式，对杂交稻芽种特征进行局部特征和全局特征的融合。CSP2_X 对卷积层数量进行调整，如图5c所示。
4) Prediction端：给出模型的预测结果和推断结果，该网络应用锚框(Anchor box)输出检测目标特征图的类别概率、包围框位置和目标得分。YOLOv5-I网络预测端由3个检测层组成，输出80×80×255、40×40×255和20×20×255的特征图，每个检测层最终输出4种不同芽种类别、1种判断类别得分和1个包围框位置坐标，实现目标对象的检测。
3. 模型训练与结果
3.1 模型训练
3.1.1 训练参数
硬件环境：主板是微星B450M MORTAR MAX，CPU为AMD Ryzen 5 5600X，GPU为10 GB显存的GeForce RTX 3080，配置CUDA toolkit 11.1和Cudnn 8.05版本深度学习神经网络加速库，DDR4 3200MHZ内存条；软件环境：在Ubuntu 20.04系统下，基于Pytorch 1.10.0 构建总体框架，采用Python 3.8进行编程，使用Pycharm进行编译。按Pascal Voc数据的格式，使用标注工具LabelImg软件对杂交稻芽种图像进行标注，生成 .xml格式文件，图6显示了标注过程。
![图 6 杂交稻芽种图像标注]()
图 6 杂交稻芽种图像标注图中，“px”表示破胸露白种子，“fy”表示发芽种子，“cy”表示长芽种子， “wfy”表示未发芽种子Figure 6. Image annotation of hybrid rice bud seedsIn the figure, “px” means pre-germinated seed, “fy” means germinated seed,“cy” means long bud seed, “wfy” means ungerminated seed3.1.2 评价指标
采用准确度(Precision, P/ %)、召回率(Recall, R/%)、AP(Average precision，AP/%)和mAP(Mean average precision，mAP/%)4个指标对模型进行性能评估。计算公式如下：
$$ P=\dfrac{\mathrm{T}\mathrm{P}}{\mathrm{T}\mathrm{P}+\mathrm{F}\mathrm{P}}\times 100{\text{%}} \text{，} $$ (6) $$ R=\dfrac{\mathrm{T}\mathrm{P}}{\mathrm{T}\mathrm{P}+\mathrm{F}\mathrm{N}}\times 100{\text{%}} , $$ (7) $$ \mathrm{A}\mathrm{P}={\displaystyle\int }_{0}^{1}P\left(R\right)\mathrm{d}R\times 100{\text{%}} \text{，} $$ (8) $$ \mathrm{m}\mathrm{A}\mathrm{P}=\dfrac{1}{M}\displaystyle\sum\limits_{{{k}} = 1}^M \mathrm{A}\mathrm{P}\left(k\right)\times 100{\text{%}} , $$ (9) 式中，TP和FP分别表示真实的正样本和虚假的正样本，FN为虚假的负样本，M为检测目标的类别总数，AP(k)为第 k 类 AP 值。
3.2 网络改进前后的检测结果比较
训练前，网络输入图像像素为608×608，批量设置为36，动量设置为0.937，初始学习率为0.0001，权值衰减设置为0.0005。模型迭代次数为300次，训练过程中使用随机梯度下降法优化学习率，训练过程如图7所示。由图7可知，YOLOv5-I损失曲线始终位于YOLOv5s损失曲线下方，表明YOLOv5-I模型的拟合效果优于YOLOv5s模型；对YOLOv5s损失曲线而言，当训练次数超过100次后，在第140次和240次左右出现明显的2次断崖式衰减，表明模型的稳定性欠佳；对YOLOv5-I损失曲线而言，当训练次数达到50次左右时，损失曲线开始趋于收敛，曲线也非常光滑，表明模型的稳定性较好。说明基于CIoU损失函数的YOLOv5-I模型比基于GIoU损失函数的YOLOv5s模型具有更快的收敛速度和更好的稳定性。
![图 7 YOLOv5-I和YOLOv5s模型训练损失曲线]()
图 7 YOLOv5-I和YOLOv5s模型训练损失曲线Figure 7. Training loss curves of YOLOv5-I and YOLOv5s models图8给出了不同情形(未发芽、破胸露白、发芽、长芽和混合芽种)下YOLOv5s和YOLOv5-I目标检测模型的测试结果。由图8可见，检测未发芽种子时，YOLOv5s出现漏检情况，YOLOv5-I均能检测出未发芽种子；对于破胸芽种的检测情况，YOLOv5s算法检测时出现分级错误，即检测出1粒破胸芽种时出现2个预测框，分别为“破胸”和“未发芽”，而YOLOv5-I能够准确识别破胸芽种；检测发芽种子时， YOLOv5s准确检测出图片上所有芽种，但平均置信度为54.25%，远远低于YOLOv5-I检测发芽种子的平均置信度95.50%；对于长芽芽种情况，YOLOv5s出现漏检且分级错误，而YOLOv5-I准确检测芽种状况并成功分类；对于混合芽种检测情况，YOLOv5s虽然平均置信度达到92%，但发生漏检现象，而YOLOv5-I均能准确分级。综上所述， YOLOv5-I检测效果优于YOLOv5s。
![图 8 YOLOv5-I(a)和YOLOv5s(b)模型的检测结果对比]()
图 8 YOLOv5-I(a)和YOLOv5s(b)模型的检测结果对比Figure 8. Detection effect comparison between YOLOv5-I (a) and YOLOv5s (b) modelsYOLOv5-I和YOLOv5s模型检测结果的P-R曲线如图9所示，曲线与纵横坐标所形成的区域面积表示该模型检测的准确度。由图9可知，对未发芽、破胸露白、发芽和长芽的芽种检测，YOLOv5-I的P-R曲线均在YOLOv5s的外侧，且曲线更靠近坐标点(1,1)，表明YOLOv5-I检测的准确度高于YOLOv5s，性能更优。
![图 9 YOLOv5-I和YOLOv5s模型对4种芽种检测结果的P-R曲线]()
图 9 YOLOv5-I和YOLOv5s模型对4种芽种检测结果的P-R曲线Figure 9. The P-R curves of detection effects of YOLOv5-I and YOLOv5s models for four types of bud seeds3.3 YOLOv5-I模型与其他算法检测结果比较
使用相同的数据集，采用其他4种算法YOLOv5s、Faster-RCNN、SSD和YOLOv4进行训练，得到最佳权重之后，在同样的测试集上进行测试，对5种目标检测网络在重合度阈值为0.5时进行mAP、准确率、召回率和检测时间的计算，结果如表2所示。由表2可知，整体上，YOLOv5-I目标检测网络在mAP、准确率、召回率和检测速度上均优于其他目标检测算法。YOLOv5-I、YOLOv5s、Faster-RCNN、SSD和YOLOv4算法的mAP依次为97.52%、96.36%、94.42%、93.52%和92.90%，P依次为97.85%、95.88%、95.54%、90.01%和94.39%，R依次为98.27%、96.28%、96.14%、90.25%和95.35%，平均检测时间依次为3.745、5.158、24.143、6.153和25.435 ms。YOLOv5-I算法的mAP分别比YOLOv5s、Faster-RCNN、SSD和YOLOv4算法高1.16、3.10、4.00和4.62个百分点；YOLOv5-I算法的平均检测时间分别比YOLOv5s、Faster-RCNN、SSD和YOLOv4算法少1.413、20.398、2.408和21.690 ms。此外，YOLOv5-I模型占用内存空间为13.7MB，相对较少，比YOLOv5s少了1.9 MB。可见，YOLOv5-I算法优于现有的算法，实现了检测精度和速度的提升，相关性能能够满足杂交稻芽种分级检测的实用要求。
表 2 不同目标检测网络对4种芽种的检测结果Table 2. Detection results of different object detection networks for four types of bud seeds种芽状况
Status of
bud seeds检测网络
Detection
networks平均精度(mAP)/%
Mean average precision准确率(P)/%
Precision召回率(R)/%
Recall检测时间/ms
Detection
time单粒
Single seed多粒
Multiple seeds平均值
Mean未发芽
UngerminatedYOLOv5-I 99.54 98.12 98.83 98.63 98.91 3.21 YOLOv5s 97.21 97.87 97.54 98.56 98.87 5.56 Faster-RCNN 96.52 94.85 95.68 97.56 96.45 23.54 SSD 95.47 93.25 94.36 94.21 96.42 6.52 YOLOv4 94.87 92.47 93.36 98.21 97.13 25.24 破胸露白
Pre-germinatedYOLOv5-I 98.17 96.85 97.51 97.72 98.46 3.63 YOLOv5s 96.58 96.41 96.50 96.21 95.43 4.25 Faster-RCNN 95.14 94.21 94.68 94.28 95.17 23.73 SSD 95.42 92.21 93.82 89.57 88.52 4.36 YOLOv4 94.82 91.57 93.20 93.24 95.72 24.83 发芽
GerminatedYOLOv5-I 98.28 94.22 96.25 98.16 97.54 4.58 YOLOv5s 96.41 95.47 95.94 93.51 93.42 5.68 Faster-RCNN 95.24 92.17 93.71 94.56 96.41 25.83 SSD 94.85 93.57 94.21 85.72 86.36 7.98 YOLOv4 93.47 92.28 92.88 92.53 94.26 26.83 长芽
Long budYOLOv5-I 97.57 97.39 97.48 96.89 98.16 3.56 YOLOv5s 95.43 95.28 95.40 95.24 97.41 5.14 Faster-RCNN 92.91 94.29 93.60 95.74 96.52 23.47 SSD 89.56 93.82 91.69 90.52 89.71 5.75 YOLOv4 90.51 93.82 92.17 93.58 94.28 24.84 4. 结论
基于YOLOv5s模型，通过引入SE注意力机制和优化损伤函数，提出了一种杂交稻芽种快速分级检测模型YOLOv5-I，实现了杂交稻芽种快速分级检测。采用YOLOv5-I模型检测杂交稻芽种分级时，平均精度为97.52%，平均准确率为97.85%，平均召回率为98.27%，平均检测时间为3.745 ms，能够满足杂交稻芽种快速分级检测的实用要求。与YOLOv5s、Faster-RCNN、SSD和YOLOv4算法比较，YOLOv5-I算法无论是精度还是速度都有明显提升，平均精度分别比YOLOv5s、Faster-RCNN、SSD和YOLOv4算法高1.16、3.10、4.00和4.62个百分点，平均检测时间分别比YOLOv5s、Faster-RCNN、SSD和YOLOv4算法少1.413、20.398、2.408和21.690 ms。
-
表 1 苦瓜种质资源的来源
Table 1 The origin of bitter gourd germplasm
种质编号 来源 Y1~Y20 日本 Y21~Y25 中国山东 Y26~Y50 中国广东 Y51~Y58 中国江西 Y59~Y78 中国海南 Y79~Y93 泰国 Y94~Y103 中国云南 Y104~Y111 中国湖南 Y112~Y121 中国广西 Y122~Y139 中国福建 Y140~Y144 斯里兰卡 Y145~Y154 印度 
下载: 导出CSV
表 2 苦瓜资源主要数量性状的变异情况
Table 2 Genetic variations of main quantitative traits in bitter gourd germplasm
性状 第1雌花节位 瓜纵径/cm 瓜横径/cm 瓜肉厚/cm 单瓜质量/kg 最小值 4 10.6 1.4 0.6 0.1 最大值 31 49.6 10.6 2.3 1.1 平均值 14 30.7 7.2 1.2 0.6 极差 27 39.0 9.2 1.7 1.0 标准差 4.1 6.6 1.2 0.2 0.2 变异系数 0.289 0.214 0.167 0.207 0.310
下载: 导出CSV
表 3 不同聚类方法构建的苦瓜核心种质与原群体间遗传差异比较1)
Table 3 Comparisons of genetic variations between core collections constructed using eight clustering methods and the initial population of bitter gourd
性状 项目 原群体 核心种质 H1 H2 H3 H4 H5 H6 H7 H8 第1雌 平均值 13.66 13.78 14.33 14.07 13.80 14.41 14.15 14.22 13.93 花节位 方差 16.436 30.618** 30.402** 28.773** 29.183** 27.314* 28.799** 29.063** 29.129** 变异系数 0.297 0.401 0.385 0.381 0.391 0.363 0.379 0.379 0.387 瓜纵径/cm 平均值 30.69 29.69 29.83 29.70 28.76 30.01 30.00 30.18 30.15 方差 43.074 78.911** 74.871** 61.356 65.589* 68.444* 67.415* 70.856* 68.566* 变异系数 0.214 0.299 0.290 0.264 0.282 0.276 0.274 0.279 0.275 瓜横径/cm 平均值 7.23 7.27 7.19 7.23 7.11 7.29 7.27 7.13 7.17 方差 1.468 2.929** 2.648** 2.699** 2.685** 2.744** 2.544** 2.652** 2.604** 变异系数 0.168 0.235 0.226 0.227 0.230 0.227 0.220 0.228 0.225 瓜肉厚/cm 平均值 1.16 1.19 1.18 1.21 1.17 1.18 1.17 1.18 1.19 方差 0.058 0.109** 0.101** 0.091* 0.091* 0.096* 0.097* 0.100** 0.103** 变异系数 0.207 0.277 0.270 0.250 0.257 0.262 0.265 0.266 0.269 单瓜质量/kg 平均值 0.58 0.59 0.57 0.57 0.55 0.59 0.58 0.57 0.57 方差 0.034 0.068** 0.055* 0.056* 0.052* 0.054* 0.052* 0.058** 0.055* 变异系数 0.315 0.447 0.412 0.413 0.415 0.395 0.390 0.424 0.412 1）H1~H8分别表示基于最短距离法、最长距离法、中间距离法、重心法、类平均法、可变类平均法、可变法以及离差平方和法构建的核心种质；相同性状的核心种质与原群体的均值差异均不显著（P>0.05, t检验）；*或**分别代表相同性状的核心种质与原群体的方差差异达到显著(P < 0.05) 或极显著水平(P<0.01，F测验）。
下载: 导出CSV
表 4 不同抽样方法构建的苦瓜核心种质与原群体间遗传变异比较1)
Table 4 Comparisons of genetic variations between core collections constructed using three sampling methods and the initial population of bitter gourd
性状 项目 原群体 核心种质 F1 F2 F3 第1雌 平均值 13.66 13.61 13.78 12.91 花节位 极差 27.0 27.0 27.0 27.0 方差 16.436 30.688** 30.618** 29.948** 变异系数 0.297 0.407 0.401 0.424 瓜纵径/cm 平均值 30.69 29.41 29.69 30.08 极差 39.0 32.6 39.0 39.0 方差 43.074 67.341* 78.911** 76.956** 变异系数 0.214 0.279 0.299 0.292 瓜横径/cm 平均值 7.23 7.22 7.27 7.36 极差 9.2 9.2 9.2 9.2 方差 1.468 2.990** 2.929** 3.215** 变异系数 0.168 0.240 0.235 0.244 瓜肉厚/cm 平均值 1.16 1.18 1.19 1.22 极差 1.7 1.7 1.7 1.7 方差 0.058 0.110** 0.109** 0.119** 变异系数 0.207 0.281 0.277 0.284 单瓜质量/kg 平均值 0.58 0.57 0.59 0.60 极差 1.0 1.0 1.0 1.0 方差 0.034 0.066** 0.068** 0.070** 变异系数 0.315 0.454 0.447 0.442 1) F1~F3分别表示基于随机抽样、优先抽样和偏离度抽样方法构建的核心种质；相同性状的核心种质与原群体的均值差异均不显著（P>0.05, t检验）；*或**分别代表相同性状的核心种质与原群体的方差差异达到显著(P < 0.05) 或极显著水平(P<0.01, F测验）。
下载: 导出CSV
表 5 不同来源地苦瓜种质入选核心种质所占比例
Table 5 The proportions of selected core germplasms from different origins
来源地 收集种质总数 入选核心种质数量 占比/% 日本 20 3 15.0 中国山东 5 0 0 中国广东 25 5 20.0 中国江西 8 1 12.5 中国海南 20 6 30.0 泰国 15 5 33.3 中国云南 10 4 40.0 中国湖南 8 1 12.5 中国广西 10 6 60.0 中国福建 18 6 33.3 斯里兰卡 5 4 80.0 印度 10 5 50.0 合计 154 46 29.9
下载: 导出CSV
-
[1] FANG E F, NG T B. Bitter gourd (Momordica charantia) is a cornucopia of health: A review of its credited antidiabetic, anti-HIV, and antitumor properties[J]. Curr Mol Med, 2011, 11 (5): 417-436. doi: 10.2174/156652411795976583
[2] SCHAEFER H, RENNER S S. A three-genome phylogeny of Momordica (Cucurbitaceae) suggests seven returns from dioecy to monoecy and recent long-distance dispersal to Asia[J]. Mol Phylogenet Evol, 2010, 54 (2): 553-560. doi: 10.1016/j.ympev.2009.08.006
[3] YANG S J, CHOI J M, PARK S E, et al. Preventive effects of bitter melon (Momordica charantia) against insulin resistance and diabetes are associated with the inhibition of NF-κB and JNK pathways in high-fat-fed OLETF rats[J]. J Nutr Biochem, 2015, 26(3): 234-240. doi: 10.1016/j.jnutbio.2014.10.010
[4] CAO D, SUN Y, WANG L, et al. Alpha-momorcharin (α-MMC) exerts effective anti-human breast tumor activities but has a narrow therapeutic window in vivo[J]. Fitoterapia, 2015, 100: 139-149. doi: 10.1016/j.fitote.2014.11.009
[5] PANDA B C, MONDAL S, DEVI K S, et al. Pectic polysaccharide from the green fruits of Momordica charantia (Karela): Structural characterization and study of immunoenhancing and antioxidant properties[J]. Carbohydr Res, 2015, 401: 24-31. doi: 10.1016/j.carres.2014.10.015
[6] LIAW C C, HUANG H C, HSIAO P C, et al. 5β, 19-epoxycucurbitane triterpenoids from Momordica charantia and their anti-inflammatory and cytotoxic activity[J]. Planta Med, 2015, 81(1): 62-70.
[7] 陈世儒.蔬菜育种学[M].北京:农业出版社, 1980. [8] 温庆放, 李大忠, 朱海生, 等.不同来源苦瓜遗传亲缘关系RAPD分析[J].福建农业学报, 2005, 20(3):185-188. http://www.cnki.com.cn/Article/CJFDTOTAL-FJNX200503014.htm [9] 张长远, 孙妮, 胡开林.苦瓜品种亲缘关系的RAPD分析[J].分子植物育种, 2005, 3(4):515-519. http://www.cnki.com.cn/Article/CJFDTOTAL-FZZW200504015.htm [10] 黄如葵, 孙德利, 张曼, 等.苦瓜遗传多样性的形态学性状聚类分析[J].广西农业科学, 2008, 39(3):351-356. http://www.cnki.com.cn/Article/CJFDTOTAL-GXNY200803022.htm [11] 杨衍, 刘昭华, 詹园凤, 等.苦瓜种质资源遗传多样性的AFLP分析[J].热带作物学报, 2009, 30(3):299-303. http://www.cnki.com.cn/Article/CJFDTOTAL-RDZX200903011.htm [12] 康建坂, 朱海生, 李大忠, 等.应用ISSR技术分析苦瓜种质资源的多态性[J].福建农业学报, 2010, 25(5):597-601. http://www.cnki.com.cn/Article/CJFDTOTAL-FJNX201005013.htm [13] 张凤银, 陈禅友, 胡志辉, 等.苦瓜种质资源的形态学性状和营养成分的多样性分析[J].中国农学通报, 2011, 27(4):183-188. http://www.cnki.com.cn/Article/CJFDTOTAL-ZNTB201104037.htm [14] 陈禅友, 兰红, 李亚木, 等.苦瓜种质资源ISSR遗传多态性分析[J].长江蔬菜, 2012(12):19-22. http://www.cnki.com.cn/Article/CJFDTOTAL-CJSC201212008.htm [15] 周坤华, 张长远, 罗剑宁, 等.苦瓜种质资源遗传多样性的SRAP分析[J].广东农业科学, 2013(21):136-140. doi: 10.3969/j.issn.1004-874X.2013.21.036 [16] 张燕, 杨衍, 田丽波, 等.基于表型性状的苦瓜种质资源评价和遗传多样性的分析[J].分子植物育种, 2016, 14(1):239-250. http://www.cnki.com.cn/Article/CJFDTOTAL-FZZW201601045.htm [17] FRANKEL O H, BROWN A H D. Current plant genetic resources:A critical appraisal. Genetics: New Frontiers Vol. IV[M]. New Delhi: Oxford and IBH Publishing Co., 1984.
[18] BROWN A H D. Core collection: A practical approach to genetic resources management[J]. Genome, 1989, 31(2): 818-824. doi: 10.1139/g89-144
[19] 李国强, 李锡香, 沈镝, 等.基于形态数据的大白菜核心种质构建方法的研究[J].园艺学报, 2008, 35(12):1759-1766. http://www.cnki.com.cn/Article/CJFDTOTAL-YYXB200812008.htm [20] MAO W H, YI J X, SIHACHAKR D. Development of core subset for the collection of Chinese cultivated eggplants using morphological-based passport data[J]. Plant Genetic Res, 2008, 6(1): 33-40. doi: 10.1017/S1479262108923790
[21] 刘娟, 廖康, 曹倩, 等.利用表型性状构建新疆野杏种质资源核心种质[J].果树学报, 2015, 32(5):787-796. http://www.cnki.com.cn/Article/CJFDTOTAL-GSKK201505010.htm [22] 刘遵春, 张春雨, 张艳敏, 等.利用数量性状构建新疆野苹果核心种质的方法[J].中国农业科学, 2010, 43(2):358-370. http://www.cnki.com.cn/Article/CJFDTOTAL-ZNYK201002020.htm [23] 胡建斌, 马双武, 王吉明, 等.基于表型性状的甜瓜核心种质构建[J].果树学报, 2013, 30(3):404-411. http://www.cnki.com.cn/Article/CJFDTOTAL-GSKK201303012.htm [24] 李慧峰, 陈天渊, 黄咏梅, 等.基于形态性状的甘薯核心种质取样策略研究[J].植物遗传资源学报, 2013, 14(1):91-96. http://www.cnki.com.cn/Article/CJFDTOTAL-ZWYC201301013.htm [25] 王红霞, 赵书岗, 高仪, 等.基于AFLP分子标记的核桃核心种质的构建[J].中国农业科学, 2013, 46(23):4985-4995. http://www.cnki.com.cn/Article/CJFDTOTAL-ZNYK201323015.htm [26] 齐永文, 樊丽娜, 罗青文, 等.甘蔗细茎野生种核心种质构建[J].作物学报, 2013, 39(4):649-656. http://www.cnki.com.cn/Article/CJFDTOTAL-XBZW201304013.htm [27] 邓学斌, 刘磊, 闫喆, 等.加工番茄核心种质构建及其遗传背景分析[J].园艺学报, 2015, 42(7):1299-1312. http://www.cnki.com.cn/Article/CJFDTOTAL-YYXB201507010.htm [28] 沈镝, 李锡香.苦瓜种质资源描述规范和数据标准[M].北京:中国农业出版社, 2008. [29] 朱军.作物杂种后代基因型值和杂种优势的预测方法[J].生物数学学报, 1993, 8(1):32-44. http://www.cnki.com.cn/Article/CJFDTOTAL-SWSX199301003.htm [30] MAHALANOBIS P C. On the generalized distance in statistics[J]. Proc Natl Inst Sci India, 1936, 2(1): 49-55. https://www.bibsonomy.org/bibtex/2aef303a4aba53e4fcd7b0e58f7c205b6/thoni
[31] 裴鑫德.多元统计分析及其应用[M].北京:中国农业大学出版社, 1991. [32] 胡晋, 徐海明, 朱军.基因型值多次聚类法构建作物种质资源核心库[J].生物数学学报, 2000, 15(1):103-109. http://www.cnki.com.cn/Article/CJFDTOTAL-SWSX200001015.htm [33] 胡晋, 徐海明, 朱军.保留特殊种质材料的核心库构建方法[J].生物数学学报, 2001, 16(3):348-352. http://www.cnki.com.cn/Article/CJFDTOTAL-SWSX200103013.htm [34] 徐海明, 胡晋, 朱军.构建作物种质资源核心库的一种有效抽样方法[J].作物学报, 2000, 26(2):157-162. http://www.cnki.com.cn/Article/CJFDTOTAL-XBZW200002004.htm [35] 朱岩芳, 祝水金, 李永平, 等. ISSR分子标记技术在植物种质资源研究中的应用[J].种子, 2010, 29(2):55-59. http://www.cnki.com.cn/Article/CJFDTOTAL-BFYY201123075.htm [36] TANKSLEY S D, MCCOUCH S R. Seed banks and molecular maps: Unlocking genetic potential from the wild[J]. Science, 1997, 277(5329):1063-1066. doi: 10.1126/science.277.5329.1063
[37] 李长涛, 石春海, 吴建国, 等.利用基因型值构建水稻核心种质的方法研究[J].中国水稻科学, 2004, 18(3):218-222. http://cdmd.cnki.com.cn/Article/CDMD-10335-2003071922.htm [38] 马洪文, 殷延勃, 王昕, 等.利用数量性状构建粳稻核心种质的方法比较[J].西北农业学报, 2013, 22(11):7-14. http://www.cnki.com.cn/Article/CJFDTOTAL-XBNX201311002.htm [39] PEETERS J P, MARTINELLI J A. Hierarchical cluster analysis as a tool to manage variation in germplasm collections[J]. Theor Appl Genet, 1989, 78(1): 42-48. doi: 10.1007/BF00299751
[40] 马洪文, 陈晓军, 殷延勃, 等.利用基因型值构建宁夏粳稻核心种质的方法[J].种子, 2012, 31(5):43-49. http://www.cnki.com.cn/Article/CJFDTOTAL-ZHZI201205012.htm [41] DIWAN N, MCINTOSH M S, BAUCHAN G R. Methods of developing a core collection of annual Medicago species[J]. Theor Appl Genet, 1995, 90(6):755-761. doi: 10.1007/BF00222008
