PolliCrop：一种用于农业生态系统中传粉者监测的高通量计算机视觉流程

自20世纪90年代以来，访花昆虫种群一直在下降，尤其是由于农业环境中花资源的减少。大面积开花作物有助于提高资源可获得性，而植物育种可针对筛选能够吸引更多访花昆虫的品种进行定向开展。这就需要实施一种自动化高通量表型分析工具，用于评估植物基因型对访花昆虫的吸引力。 在本研究中，(i) 我们提出了一种流程，利用相机陷阱在田间昼夜连续拍摄向日葵花盘的标准化图像；(ii) 我们训练了一个名为 PolliCrop 的深度学习模型的两个版本，以在这些图像上自动检测并识别访问向日葵的三类主要昆虫（非熊蜂类蜜蜂、熊蜂类、鳞翅目昆虫）；(iii) 我们评估并验证了 PolliCrop 正确预测三种向日葵基因型上各昆虫类别真实访问频率的能力；(iv) 我们提出了两种用于比较植物基因型间昆虫访问频率的统计方法，其中一种纳入天气变量，另一种则不纳入。 其中一个版本的 PolliCrop 在正确检测这三类昆虫方面表现令人满意。特别是，它能够将两个向日葵基因型上的昆虫访问频率正确预测在 {+/-}10% 的范围内。另一个版本的 PolliCrop 在某些图像条件和研究目标下也具有应用价值。未来可通过使用在其他作物中采集的新图像对 PolliCrop 进行训练，将其扩展至其他作物物种。文中还讨论了用于比较不同基因型吸引力时应采用的田间实验设计。

自20世纪90年代以来，访花昆虫种群一直在衰退，尤其是由于农业环境中花卉资源的减少。大面积开花作物有助于提高资源可获得性，而植物育种可以通过筛选能够吸引更多访花昆虫的品种来加以引导。这需要开发一种自动化高通量表型分析工具，以评估植物基因型对访花昆虫的吸引力。

在本研究中，(i) 我们提出了一种流程，可利用相机陷阱在田间昼夜连续获取向日葵花盘的标准化图像；(ii) 我们训练了一个名为PolliCrop的深度学习模型的两个版本，用于在这些图像上自动检测并识别访问向日葵的三类主要昆虫（非熊蜂类蜜蜂、熊蜂类、鳞翅目昆虫）；(iii) 我们评估并验证了PolliCrop在三个向日葵基因型上正确预测各昆虫类别真实访花频率的能力；(iv) 我们提出了两种比较植物基因型间昆虫访花频率的统计方法，其中一种纳入气象变量，另一种则不纳入。

其中一个PolliCrop版本在正确检测这三类昆虫方面表现令人满意。具体而言，它能够以{+/-}10%的误差范围正确预测两个向日葵基因型上的昆虫访花频率。另一个PolliCrop版本在某些图像条件和研究目标下也具有应用价值。未来可通过利用在其他作物上采集的新图像对PolliCrop进行训练，将其扩展应用于其他作物物种。本文还讨论了用于比较不同基因型吸引力时应建立的田间试验设计。

📄 原文链接：https://www.biorxiv.org/content/10.64898/2026.07.08.737348v1?rss=1

🏷️ 传粉者监测 农业生态系统 计算机视觉 深度学习 高通量表型分析 向日葵基因型