基于角度特征的大豆叶片聚类与分类

《Frontiers in Plant Science》:Clustering and classification of soybean leaves based on angle features

【字体: 大 中 小 】 时间:2026年08月28日 来源:Frontiers in Plant Science 5.9

编辑推荐:

  引言:叶片形状是遗传决定的作物表型,其准确分类是大豆种质评估和遗传改良的基础。人工分类主观性强,难以区分形态相似的叶片,而主流监督分类需要大量标注数据集且开发成本高。用于大豆叶片分类的高效特征框架仍然不足。方法:本研究分析了来自194个大豆品种的581个生物学

  
引言:叶片形状是遗传决定的作物表型,其准确分类是大豆种质评估和遗传改良的基础。人工分类主观性强,难以区分形态相似的叶片,而主流监督分类需要大量标注数据集且开发成本高。用于大豆叶片分类的高效特征框架仍然不足。方法:本研究分析了来自194个大豆品种的581个生物学重复顶生小叶,在单小叶水平上使用传统形态指标和新颖的叶片轮廓角度特征。采用无监督K-means聚类对大豆小叶形态表型进行分类;t-SNE仅用于降维可视化,而Welch's ANOVA结合Games-Howell事后检验用于检测簇间表型差异。通过调整兰德指数(Adjusted Rand Index, ARI)进一步量化聚类稳定性和与人工目视标注的外部一致性,以全面验证分组输出的可靠性。结果:结果表明,在根据整体叶轮廓相似性区分的两组人工划分叶片组之间,小叶边缘复杂度无显著差异(p = 0.41);即使前两个主成分占总方差的90.2%,这两个形态相似的叶片簇也未能完全分离。对于K-means聚类,k = 3在Calinski–Harabasz(CH)指数395.55、Davies–Bouldin(DB)指数1.03和轮廓系数(SC)0.38方面取得了比k = 4更好的整体性能。然而,角度特征在驱动跨簇样本重分配方面达到了F值951.62,是k = 4时精细细分的关键指标。在k = 4聚类下,所有六个形态指标在四个组间均存在显著差异(p < 0.05)。此外,交叉聚类样本数从k = 3时的66个增加到k = 4时的119个,其中96.6%的交叉聚类归因于小叶轮廓角度特征。讨论:本研究为大豆叶片形态的自动识别和精细分类提供了新的参考和技术支持。
大豆叶片形态的精准分类是种质资源评价与遗传改良的重要基础。然而,传统人工分类主观性强,难以区分形态相似的叶片;监督式深度学习方法依赖大规模人工标注数据集,开发成本高昂。现有基于整体几何指标(如长宽比、圆形度)的研究难以捕捉叶片边缘的细微差异,缺乏针对大豆叶片精细分类的专用特征框架。为此,研究人员提出将传统整体形态指标与新定义的叶片轮廓角度特征相结合,构建无监督K-means聚类流程,以期实现低成本、高通量、无需标注的大豆叶片精细分类。

研究人员以甘肃省农业科学院张掖试验田采集的194个大豆品种的581个顶生小叶为样本(2025年8月25日R5期),利用扫描仪获取叶片图像,经图像分割与轮廓提取后,计算了5个传统形态指标(长宽比、离心率、矩形度、圆形度、边缘复杂度)以及新提出的角度特征(极角与梯度角融合的平均角度)。通过K-means聚类(k = 3和k = 4)、t-SNE降维可视化、Welch's ANOVA与Games-Howell事后检验、调整兰德指数(ARI)等对分类效果进行全面评估。研究结果表明,角度特征与常规形态指标高度正交,提供了独立的形态维度;k = 4时角度特征是驱动样本细分和交叉聚类的核心因素,使四个亚组在所有六个指标上均表现出显著差异(p < 0.05),能够有效区分人工目视易混淆的叶片类型。该研究为大豆叶片表型的自动识别和精细分类提供了新思路,为种质筛选和育种后代评价提供了可靠的技术支撑。

**关键技术方法**:研究人员利用194个大豆品种的581个顶生小叶(取自甘肃省农业科学院张掖试验田),采用EPSON 700 PHOTO扫描仪获取图像,通过HSV颜色空间分割、形态学操作和洪泛填充修复轮廓,提取5个整体形态指标(长宽比、离心率、矩形度、圆形度、边缘复杂度)和角度特征(极角与梯度角融合的平均值)。使用Z-score标准化后,进行K-means聚类(k = 3和k = 4),采用肘部法则确定聚类数,通过50次重复计算两两ARI评估稳定性,并以全局ARI对比人工分类;利用t-SNE仅用于可视化,Welch's ANOVA和Games-Howell检验比较簇间差异,采用卡方检验和Bonferroni校正分析交叉聚类驱动特征。

**3.1 描述性统计与相关性分析**
对六个大豆小叶形态指标进行频率分布和核密度分析,显示各指标呈单峰或近似单峰分布,样本总体对称。相关分析表明,长宽比、离心率、边缘复杂度之间存在强共线性(R = 0.95–0.98),而角度特征与所有传统形态指标的相关系数绝对值均低于0.05且不显著,证明角度特征捕获了传统指标无法反映的独立形态维度。

**3.2 基于t-SNE降维的人工小叶分类混淆分析**
对人工划分的三类叶片进行t-SNE可视化,发现其中两类高度重叠、边界模糊。这些重叠类别的叶片形状指标除边缘复杂度(p = 0.41)外虽均有显著差异(p < 0.05),但变异幅度小,肉眼难以区分。尽管前两个主成分解释了90.2%的方差,仍不能分离这两类叶片,表明边缘复杂度是人工分类混淆的主要弱特征。

**3.3 基于聚类分析和统计分析的叶形分类**
**3.3.1 多指标筛选聚类数并量化聚类效果**
通过肘部法则确定k = 3或k = 4。50次重复聚类显示k = 4的平均两两ARI为0.7593,高于k = 3的0.6605,说明四类划分更稳定。全局ARI仅为0.1732,表明人工视觉分组与自动聚类一致性弱,原因是人工无法利用角度特征。

**3.3.2 不同聚类数选择的基础与合理性分析**
k = 3时CH指数(395.55)、DB指数(1.03)和轮廓系数(0.38)均优于k = 4(365.65、1.08、0.31)。但k = 4是有意义的细化:角度特征的F值达951.62,远高于其他指标;桑基图显示k = 4主要将K3–1簇细分为K4–2和K4–3簇。箱线图和特征重要性热图证实角度特征是驱动簇重构的核心变量。

**3.3.3 不同聚类数选择的基础与合理性分析(续)**
基于k = 4聚类结果的Welch's ANOVA和Games-Howell事后检验显示,六个形态指标中五个在四组间均存在显著两两差异(p < 0.05),仅边缘复杂度在Group 2与Group 4间无显著差异。Group 4叶片明显细长、边缘不规则,可肉眼区分;Group 1、2、3形态相似,但聚类能根据多指标组合有效区分。

**3.4 交叉聚类及其驱动机制**
同一品种的不同小叶样本被分入不同簇,且随k从3增至4,交叉聚类样本数从66升至119。偏差频率统计和卡方检验表明,角度特征的品种内偏差频率显著高于离心率和圆形度(p < 0.001),是导致交叉聚类的主导因素,反映品种内形态异质性。

**4 讨论**
现有轮廓描述子如傅里叶描述子和形状上下文仅刻画整体轮廓,无法提取边缘局部角度信息;本研究提出的角度特征与整体形态指标正交,弥补了该缺陷。人工分类与自动聚类一致性低(ARI = 0.1732),而k = 4聚类可清晰分离易混叶片。角度特征的品种内高变异性是交叉聚类产生的关键,这源于同一品种内个体间的表型差异和叶片发育阶段差异。研究创新在于引入边缘角度指标并揭示交叉聚类机制;局限性为未考虑环境与发育动态。未来需引入多生态区种质验证通用性。

**5 结论**
本研究调查了194个大豆品种的小叶形态表型聚类。结合t-SNE降维、主成分分析、聚类有效性评估和基于Welch's ANOVA及Games-Howell事后比较的统计检验,阐明了大豆叶片的聚类特征、交叉聚类现象的成因和分类有效性。人工分类中,三类大豆叶片的t-SNE降维结果显示其中两类高度重叠,存在明显分类混淆,源于这两类叶片形态相似样本众多;小叶边缘复杂度在这些样本间无显著差异,其他叶形指标虽有显著差异(p < 0.05)但变异范围小,肉眼难以区分。聚类有效性评估表明k = 3时整体聚类质量优于k = 4,但桑基图分析显示k = 4是对原始K3–1簇的合理且有意义的细化。箱线图和特征重要性热图显示角度特征在k = 4聚类中具有最显著的分布差异和最高的贡献率,是k = 4时区分新簇的关键指标。对k = 4聚类结果的统计检验显示,四个簇间六个叶片表型指标中有五个存在显著两两差异(p < 0.05);边缘复杂度是唯一在Group 2和Group 4之间无显著差异的性状,但四个簇的综合形态特征仍清晰分化。Group 4可肉眼区分,而其他三组容易混淆,但计算机聚类依靠多种组合形态指标可实现有效区分。总之,整合小叶形状指数和角度特征的无监督聚类能够实现大豆小叶的精确分类;角度特征主导簇划分的细化,而边缘复杂度因组间判别力弱而限制人工目视判别精度。该分类工作流程适用于育种后代的高通量表型评价和大豆种质库的初步形态筛选,未来应引入多生态区种质进一步验证该表型流程的通用性。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号