植物的高分辨率和高通量的基因型到表型的钻研在进行中，以加快气象合适作物的育种
。近年来，深度进建技术出格是卷积神经网络(CNNs)、递归神经网络和长-短影象(LSTMs)在视觉数据鉴别、分类和序列进建工作中获得了巨大的成功
。最近，CNNs已被用于植物分类和表型分析，使用植物的个别静态图像
。另一方面，植物的动态行为以及它们的成长对植物生物学家来说是很沉要的阐发型，这引发了我们钻研LSTMs在将这些功夫信息编码到参与分类工作方面的潜力，这对于植物出产和护理的自动化是很有效的
。

分歧种质序列数据样本

本文中，作者提出了CNN-LSTM框架，用于各类基因型的植物分类
。与手工造作的职能相比，作者利用深度CNNs的壮大职能进行自动关联特点和分类器进建
。此表，还利用LSTMs的潜力来钻研植物的成长及其动态行为，作为参与分类的沉要甄别表型
。作者网络了4份拟南芥的功夫序列图像序列数据集，并在类似的成像前提下采集，可作为该领域钻研人员的尺度基准
。并且作者公开了此项数据
。

左：成长室原始图
；右边：相机失真解除和色彩校对步骤后的成长室

了局证了然888集团参与分类步骤比使用传统的手工造作图像分析职能和其他参与分类框架的益处

；怪ち巳使用LSTMs来利用时态信息能够进一步提高系统的机能
。该框架能够用于其他利用，例如在给定环境前提的植物分类中或用于分辨患病植物和健康植物
。

关键词：深度进建，时态信息，深层特点，参与分类

Plant Methods.Deep phenotyping: deep learning for temporal phenotype/genotype classification.Sarah Taghavi Namin, Mohammad Esmaeilzadeh, Mohammad Najafi, Tim B. Brown and Justin O. Borevitz.