Rapid Assessment of Stomata Density using Digital Microscopy and Machine learning Approach

Adamchuk, Viacheslav (Supervisor) The density of stomata per area in leaves of different cultivars, including beans, is vital to understanding several physiological phenomena found in growing plants. Traditional stomata detection methods (e.g., the nail polish method) are labor-intensive and require significant training. A user-friendly platform was developed using a digital microscopy-based machine vision system to detect and count stomata per unit area of fresh leaves. Over 119 bean genotypes were used to compare nail polish and fresh leaf images collected from 10 random leaves representing each genotype. Our platform features a two-module model: a segmentation module using a transformer mechanism and a detection module based on YOLOv5, enhanced with a Vision Transformer (ViT) for improved accuracy. We randomly chose 246 images for the segmentation module as the dataset, utilizing 231 images for training, 10 for validation, and 17 for testing. We randomly chose 211 images for the detection module, utilizing 148 images for training, 42 for validation, and 21 for testing. Compared to different machine learning methods, the stomata detection module developed here improved upon the Mask RCNN, YOLOv5, and traditional convolution neural network (CNN) methods’ performances by 16%, 11.2%, and 22.6% mAP (mean Average Precision), respectively. Additionally, our segmentation module outperformed YOLOv5 by 5% mAP. The nail polish image presents 95% mAP, and the fresh leaf microscopy image presents 93% mAP. System validation yielded a simple linear regression with a coefficient of determination (R2) of 0.87. This platform holds promise for more robust inspection, facilitating better genotype analysis and potentially boosting bean production L’amélioration de la production du haricot est cruciale pour l’approvisionnement alimentaire humain, et il est essentiel de comprendre la relation entre les génotypes de haricots et les caractéristiques des stomates. Les méthodes traditionnelles de détection des stomates, telles que la méthode du vernis à ongles, demandent beaucoup de travail et nécessitent une formation importante. Cette présentation rend compte du développement d'une plate-forme conviviale pour détecter et compter les stomates par unité de surface à l'aide d'un système de vision industrielle basé sur la microscopie numérique effectuant des mesures de feuilles fraîches. Plus de 119 génotypes de fève soya ont été utilisés pour comparer des images de vernis à ongles et de feuilles fraîches collectées pour 10 feuilles aléatoires représentant chaque génotype. Notre plateforme comprend un modèle à deux modules : un module de segmentation utilisant un mécanisme de transformateur et un module de détection basé sur YOLOv5 amélioré avec un Vision Transformer (ViT) pour une précision améliorée. Nous avons choisi au hasard 246 images pour le module de segmentation comme ensemble de données, en utilisant 231 images pour l'entraînement, 10 pour la validation et 17 pour les tests. Nous avons choisi au hasard 211 images pour le module de détection, en utilisant 148 images pour l'entraînement, 42 pour la validation et 21 pour les tests. En comparant différentes méthodes d'apprentissage automatique, la détection des stomates a présenté une amélioration de 16 % de la mAP (précision moyenne moyenne) par rapport à la méthode Mask RCNN, une amélioration de 11,2 % de la mAP par rapport à YOLOv5 et une amélioration de 22,6 % de la mAP en relation avec le réseau neuronal à convolution traditionnel (CNN). De plus, notre module de segmentation a surpassé YOLOv5 de 5 % mAP. En effet, l'image du vernis à ongles présente 95% de mAP et l'image Fresh leaf microscopy présente 93% de mAP. La validation du système a donné une régression linéaire simple avec un coefficient de détermination (R2) égal à 0,87. Cette plateforme est prometteuse pour une inspection robuste, facilitant une meilleure analyse du génotype et potentiellement stimulant la production de fèves soya