2020年的对虾体长表型手动测定和机器学习自动识别数据集

高通量基因分型和高通量表型测定是开展高效、精准育种的基础。为提高对虾外部生长性状表型数据的获取效率，利用拍照获得的对虾外部表型照片，采用基于区域生成网络RPN(RegionProposalNetworks)的FasterR-CNN(Faster Region-convolutionalneuralnetworks)深度学习神经网络，通过对8400张对虾表型照片的学习和训练，构建了快速识别对虾全长并输出位置信息的模型。该模型可识别图片中的对虾并以识别框的形式表示出具体的位置。对于不同角度拍摄的对虾，模型生成识别框的长度或对角线长度与人工测量的对虾全长之间呈高度相关。研究以此建立了对虾全长性状表型数据高通量测定技术，该技术的建立可以在对虾生长性状表型数据测定中节省人工测量的时间，提高了对虾全基因组选择育种的效率。此外，该模型的建立也为对虾头胸部长度以及不同体节长度等其他外部表型数据的测定提供了新的思路，为对虾生长性状表型组的建立奠定了重要基础。