基于卷積神經網絡和合成數據集訓練鑒定棉花種子萌發期的耐鹽性

【結論】建立了基于卷積神經網絡和合成數據集訓練的棉花種子萌發期性狀鑒定方法，并使用該方法，無損、快速且精準的鑒定了60份棉花種質種子萌發期的耐鹽性。

0引言

【研究意義】土壤鹽堿化制約著農業的可持續發展[1-5]。棉花是紡織、醫藥等產業重要的原材料[6-7]。棉花亦是一種耐鹽能力較強的作物，被稱為改良鹽堿地的先鋒作物[8，可以在鹽堿地種植改良土壤。選用耐鹽品種是提高鹽堿地棉花產量的重要措施之一。研究表明，棉花在萌發期和苗期比其他生育時期更易受到鹽脅迫的影響9]，鹽脅迫（超過 1 0 d S / m 造成棉花種子發芽率急劇下降，同時出苗期也被推遲4～5d，導致棉花產量下降[10]此外，不同棉花種質之間的耐鹽性存在差異[1-13] 。快速、準確、無損的量化棉花萌發期耐鹽相關性狀是開展耐鹽棉花品種選育重要前提之一。因此，鑒定不同棉花種質萌發期的耐鹽性，深入研究其耐鹽性遺傳基礎及其表型可塑性機理，對于培育耐鹽、穩產的棉花品種具有重要意義。【前人研究進展】基于卷積神經網絡（ConvolutionalNeuralNetworks，CNN）的計算機視覺技術，如圖像分類、目標檢測和實例分割等在農業領域，特別是表型檢測方面得到了廣泛應用[18]，Ghosal等[19對植物水分脅迫進行神經網絡功能化預測，實現溫室番茄灌溉自動化控制。監督學習的缺點是需要大量的人力來標記圖像數據，而利用合成圖像、自動產生用于學習的注釋數據集能夠有效的彌補該缺陷。Giuffrida等[20]使用gan生成的圖像來訓練用于擬南芥葉片計數的神經網絡，Arsenovic等[21使用StyleGAN28創建用于植物病害圖像分類的訓練圖像，Toda等[22利用大麥種子的合成圖像數據集完成了其種子的識別分割及表型提取。【本研究切入點】鹽脅迫下棉花種子發芽率、發芽勢、根長和活力指數的鹽害系數總體呈上升趨勢[14-17]，可作為發芽期耐鹽性性狀的評價指標[8]。量化種子萌發性狀，普通的人工方法耗時長、誤差大，SeedAIxpert（https：//www.lemnatec.com/seedaixpert/）等商業自動化平臺又存在成本和性價比問題。因此，有必要建立簡便、高通量的種子萌發表型量化方法，通過建立合成數據集進行棉花種子萌發圖像識別和分割的神經網絡模型訓練，建立便捷且精準的棉花種子萌發表型的無損檢測方法，以鑒定不同棉花種質的萌發期耐鹽性。【擬解決的關鍵問題】利用不同生育階段的棉花種子萌發圖像生成合成數據集并進行MaskR-CNN模型訓練，評估模型的準確性；利用訓練好的模型，對60份棉花材料種子在 L NaCl處理下萌發真實圖像中的種子和胚芽進行實例分割和特征提取，并以此計算種子發芽率、發芽勢和胚芽長度，評價60份棉花種質萌發期的耐鹽性。

材料與方法

1.1 材料

以60份陸地棉種質資源為材料，由新疆農業科學院核技術生物技術研究所提供。表1

1. 2 方法

1. 2.1 試驗設計

人工光照培養箱設置：光照/黑暗時間為 / 8 h ，恒溫 ，相對濕度 6 0 % 。

種子發芽試驗采取紙上發芽法。選擇大小一致、均勻飽滿的種子用 7 5 % 酒精浸泡 3 0 s ，再用10 % 次氯酸鈉浸泡消毒 1 0 m i n ，最后用蒸餾水反復清洗數次。將50粒種子均勻鋪置于有發芽紙的培養皿內，滴加 1 0 m L 的濃度為 的NaCI溶液作為鹽脅迫組（S），對照組（CK）滴加1 0 m L 的蒸餾水，每個處理均設置3個重復。

1.2.2合成數據集的生成

使用單反相機采集未萌發和萌發的棉花種子圖像，圖像尺寸為 3 5 0 8 × 2 4 7 9 ，300或 6 0 0 d p i 。選擇TM-1、新中棉49號和新陸早1號3個品種進行合成數據集的原始圖像采集，每個品種收集未萌發種子圖像20張，萌發種子（胚芽長度0.5～ 3 c m ）圖像30張；去除種子圖像的背景區域，使種子區域以外的像素值在RGB顏色值中為（0，0，0），以構成“種子圖像池”。從白色濾紙照片中裁剪出4張固定尺寸為 1 0 2 4 × 1 0 2 4 的圖像，作為“背景圖像池”。從種子圖像池中隨機選擇9張圖像，隨機設置角度旋轉，隨后根據每個種子圖像的大小生成不使圖像重疊的隨機坐標，按照坐標將種子圖像粘貼在背景上生成合成圖像；同時，重復的將上述種子圖像粘貼在 的透明畫布上，并將圖像中不透明（0，0，0）的像素更改為相應的標注（種子為1，胚芽為2）從而生成合成圖像的標注掩碼（mask）。最終生成的合成數據集由1200張合成圖像及其相應掩碼組成，其中每張圖像的大小為 1 0 2 4 × 1 0 2 4 ，用于MaskR-CNN神經網絡訓練。

1.2.3 MaskR-CNN神經網絡訓練和測試

參考Toda等[22]的方法進行MaskR-CNN（https：//github.com/matterport/Mask-RCNN）模型訓練，使用存儲庫預定義的配置，包括網絡架構和損失。殘差網絡ResNet10153用于特征提取。基于MSCOCO數據集訓練得到的ResNet101作為初始權重值，采用隨機梯度下降優化方法對合成圖像數據集進行40個epoch的微調，學習率為0.001，批大小為2。在合成數據集的2000張圖像中，1980張用于訓練，20張用于測試。訓練過程中不進行圖像增強。該網絡輸出一組具有概率值的邊界框和種子候選掩碼區域，定義0.5的閾值來隔離最終的掩碼區域。

使用Labelbox（https：//labelbox.com）手動標注50張真實圖像，采用精度（Precision， P ）、召回率 （ R e c a l l， R ） 和 值作為模型分割準確性的評價指標。

式中， T P （TruePositive）：預測為正，實際為正； F P （FalsePositive）：預測為正，實際為負； F N （FalseNegative）：預測為負，實際為正。

1.2.4 種子萌發及耐鹽性指標的測定

在種子萌發期間，每天調查記錄種子發芽個數，種子發芽以胚根突破種皮達種子長度 5 0 % 為準，在萌發期第5d試驗結束。參照王寧等[2]的方法統計分析相對發芽率、相對根長、種子活力指數等萌發指標。

耐鹽系數（各指標相對值 % ） σ= σ （處理組指標值/對照值） × 1 0 0 % 。

1.2.5 耐鹽性綜合評價

采用模糊隸屬函數法對陸地棉種質資源材料進行耐鹽性評價。參照楊濤等[24]方法計算隸屬函數值。

1.2.6 隸屬函數值

陸地棉種質資源材料各指標的綜合隸屬函數值計算公式為：

2 ， ? s n .

式中， ：第 i 個綜合指標， ：第 i 個綜合指標的最大值， ：第 i 個綜合指標的最小值。

1.2.7 權重系數

綜合指標權重：

式中， 為第 i 個綜合指標在所有綜合指標中的權重， p i 為各品種第 i 個綜合指標的貢獻率。

1.2.8 綜合評價值

耐鹽性綜合評價值 D 的計算公式為：

1.3 數據處理

用Excel2010對數據進行處理，選用SPSS21.0和 R 進行聚類分析、主成分分析和相關性統計分析，利用隸屬函數法對耐鹽性綜合分析。

2 結果與分析

2.1 合成圖像數據集生成與模型的評估

研究表明，利用150張不同階段的棉花種子萌發圖像（共3個棉花品種，每個品種包括種子20張、胚芽30張）生成了包含2000組合成圖像及其相應掩模數據的合成數據集。例舉種子圖像池和合成數據集，種子萌發過程中，胚芽形態在大小、形狀方面變化很大，在合成圖像時設置胚芽隨機地相互接觸或部分重疊，以確定二值化的最佳閾值以減少萌發頻率和胚芽長度計算的誤差。圖1

經過訓練的MaskR-CNN模型輸出一組種子和胚芽區域的掩模圖像，該網絡準確地定位和分割種殼與胚芽。該模型在合成和實際測試數據集上的 值分別為 9 7 . 8 2 % 和 9 5 . 9 3 % ，訓練的模型可以非常低的假陰性和假陽性率分割種殼和胚芽。此外，該模型對種殼的合成圖像和真實圖像的分割準確性要稍高于其對胚芽的分割準確性。表2，圖2

2.2 棉花種子萌發期NaCI脅迫條件篩選

研究表明，從60份種質材料中隨機挑選5份材料用于初篩，用NaCI初步脅迫處理的棉花材料：N701、新中棉49號、珂字棉4號、新陸早1號

注：掩碼中藍色代表種殼，紅色代表胚芽 Notes：In the mask，blue and red represent the seed shell germ， respectively

和TM-1，每個材料50粒，各3個重復。在材料種子分別受到0、100、125、150、175和200mmol/LNaCl脅迫處理時，萌發5d后觀察發芽情況和表型，隨著鹽濃度的增大，種子萌發的芽長逐漸變短，甚至不發芽，NaCl抗性與濃度有關。在 L脅迫時，種子的發芽率明顯受到抑制，選用此濃度作為篩選耐NaCl材料的指標。圖3

注：A，B：模型對棉花種子萌發真實圖像分割的可視化;C-E：基于模型提取的萌發性狀表型和實測表型的線性相關性 Notes：A，B：VisualresultoftetraindMaskR-CmodelonrealworldimageofcotosdgeiationimagesBlueanddcolosindicatethesegedifdlndspeciel.C-E：enaoeaoofdgeaotrisatsdy theMask-R CNNmodelandbymanual operation

發芽勢耐鹽系數的變化為 0 % ～ 8 5 . 1 9 % ，變 異系數為 3 3 . 6 3 % ，耐鹽系數在 0 % ～ 1 0 % 的種質 資源材料有28份；發芽率耐鹽系數的變化為 0 % ～ 8 9 . 2 0 % ，變異系數為 4 8 . 9 4 % ，耐鹽系數在 10 % ～ 2 0 % 的種質資源材料有15份；發芽指數相 對值的變化為 0 % ＼～ 9 6 . 4 1 % ，變異系數為

4 3 . 3 8 % ，其中有22份種質材料的耐鹽系數在0 % ～ 1 0 % ；種子活力指數耐鹽系數的變化為 0 % ～ 7 0 . 0 4 % ，變異系數為 4 2 . 5 0 % ，有29份種質材料的耐鹽系數在 0 % ～ 1 0 % 。圖4

2.3 棉花耐鹽系數的方差和相關性

2.3.1 方差分析

研究表明，萌發性狀4個指標：發芽勢、發芽率、發芽指數和活力指數在基因型方面均達到極顯著水平（ P lt; 0 . 0 1 ），60份陸地棉種質材料種子的萌發期各個萌發性狀在不同品種間具有極顯著差異。表3

2.3.2 相關性分析

研究表明，60份棉花材料種子發芽勢與發芽率、發芽指數、活力指數呈極顯著正相關。發芽率與發芽指數、種子活力指數呈極顯著正相關。發芽指數與種子活力指數呈極顯著正相關。發芽指數與發芽勢和發芽率相關系數最高，分別達到0.859和0.957。表4

2.4 鹽脅迫下棉花種質資源材料萌發期各性狀 耐鹽性聚類

研究表明，第I個水平包括珂字棉4號、新中棉49號和陸8早等8份材料， D 值為（ 0.07），占供試材料的 1 3 . 3 3 % 。第 I 個水平包括農墾5號、N701、N19和斯字棉等17份材料， D 值為 （ 0 . 6 1 ± 0 . 0 6 ） ，占供試材料的 2 8 . 3 3 % 。第Ⅲ個水平包括N718、石大和中棉所50號等16份材料， D 值為（ （ 0 . 3 9 ± 0 . 0 6 ） ，占供試材料的2 6 . 6 7 % 。第V個水平包括陸地棉遺傳標準系TM-1、新陸中9號和晉棉2號等19份材料， D 值為（ 0 . 2 1 ± 0 . 0 2 ） ，占供試材料的 3 1 . 6 7 % ，屬于相對鹽敏感型品種。表5，圖5

2.5 鹽脅迫下陸地棉種質資源材料萌發期各性狀耐鹽性綜合評價

研究表明，用 D 值進行耐鹽性綜合評價，按照 D 值大小進行排序，變幅在 0 . 1 8 0 ～ 0 . 9 5 4 。珂字棉4號和MC-30耐鹽性表現最佳， D 值分別達到了0.89和0.95。MC-46和TM-1耐鹽性表現最差， D 值為0.18。表6

3討論

3.1試驗研究證明了利用合成數據集可以訓練實例分割神經網絡來分析棉花種子萌發的真實圖像。利用模型得到的種子萌發表型數值與手工標注的值相當，從而實現了種子萌發形態性狀的高通量、無損定量，相比于手動標記大量真實圖像[19-20]

。

3.2試驗結果表明NaCl脅迫顯著抑制了棉花種子的萌發，降低了不同棉花材料的發芽勢、發芽率和根長等，與前人的研究結果一致[25-26]。試驗中，采用模糊隸屬函數法和主成分分析法，從而得出綜合耐鹽系數 D 值[27]。戴海芳等[28]通過通過D 值將17供試材料分為4種耐鹽類型（鹽敏感、不耐鹽、中度耐鹽、耐鹽），其中新陸早1號的耐鹽性 D 值為0.367，耐鹽類型處于不耐鹽，與研究的結果一致。今后將模擬真實脅迫條件，結合建立的高通量鑒定方法進行大規模室內鑒定，并進行田間試驗。

4結論

供試60份棉花材料劃分為耐鹽性相對不同的4個水平，第I個水平耐鹽性相對最佳，以珂字棉4號為代表，第Ⅱ個水平以MC-9為代表，第Ⅲ個水平以中棉所50號為代表，第V個水平對鹽脅迫較為敏感，以TM-1為代表。建立了基于卷積神經網絡和合成數據集訓練的棉花種子萌發期性狀鑒定方法，并使用該方法，無損、快速且精準的鑒定了60份棉花種質的種子萌發期耐鹽性。

參考文獻（References）

[1]劉星宏，張青青，張鵬，等．北疆鹽堿地空間分布特征分析 [J]．中國農業科技導報，2020，22（8）：141－148. LIU Xinghong，ZHANG Qingqing， ZHANG Peng，et al． Spatial distribution characteristicsand analysis of saline-alkali land in northern Xinjiang[J]. Journal of Agricultural Scienceand Technology，2020，22（8）： 141-148.

[2］楊淑萍，危常州，梁永超．鹽脅迫對海島棉不同基因型幼苗 生長及生理生態特征的影響[J]．生態學報，2010，30（9）： 2322 -2331. YANG Shuping，WEI Changzhou，LIANG Yongchao.Effcts of NaCl stress on growth and eco-physiological characteristics of different insea island cotton genotypes inseedlings[J]. Acta Ecologica Sinica，2010，30（9）： 2322-2331.

［3］王雷，郭巖，楊淑華．非生物脅迫與環境適應性育種的現狀 及對策[J]．中國科學：生命科學，2021，51（10）：1424- 1434. WANGLei，GUO Yan，YANG Shuhua.Designed breeding for adaptation of crops to environmental abiotic stresses[J].Scientia Sinica（Vitae），2021，51（10）：1424-1434.

[4]Rocha-Munive MG，Sober6n M，Castafieda S，et al. Evaluation of the impact of genetically modified cotton after 2O years of cultivation in Mexico[J].Frontiers inBioengineeringand Biotechnology，2018，6：82.

[5]楊真，王寶山.中國鹽漬土資源現狀及改良利用對策[J]. 山東農業科學，2015，47（4）：125-130. YANG Zhen，WANG Baoshan.Present status of saline soil resources and countermeasures for improvement and utilization in China[J]. Shandong Agricultural Sciences，2015，47（4）：125 -130.

[6］孟超敏，蔡彩平，郭旺珍.棉花抗逆育種研究進展[J]．南京 農業大學學報，2012，35（5）：25-34. MENG Chaomin，CAI Caiping，GUO Wangzhen. Advances in cotton stress resistance breeding[J]. Journal of Nanjing Agricultural University，2012，35（5）：25-34.

[7］李忠旺，陳玉梁，羅俊杰，等．棉花抗旱品種篩選鑒定及抗 旱性綜合評價方法[J]．干旱地區農業研究，2017，35（1）： 240 -247. LI Zhongwang，CHEN Yuliang，LUO Junjie，et al.Screening and evaluation for drought resistance of cotton varieties[J].Agricultural Research in the Arid Areas，2017，35（1） ： 240-247.

[8］張國偉，路海玲，張雷，等．棉花萌發期和苗期耐鹽性評價 及耐鹽指標篩選［J]．應用生態學報，2011，22（8）：2045- 2053. ZHANG Guowei，LU Hailing，ZHANG Lei，etal. Salt tolerance evaluation of cotton（Gossypium hirsutum）at its germinating and seeding stages and selection of related indices[J].Chinese Journal of Applied Ecology，2011，22（8）：2045-2053.

[9]Ahmad S，KhanNUI，IqbaMZ，etal.Salt tolerance of cotton （Gossypium hirsutum L.）[J]. Asian Journal of Plant Sciences， 2002，1（6）： 715-719.

[10]Sharif I，Aleem S，Farooq J，etal.Salinity stressin cotton： effects，mechanism of tolerance andits management strategies [J].Physiology and Molecular Biology of Plants，2019，25（4）： 807 -820.

[11］蔣玉蓉，呂有軍，祝水金．棉花耐鹽機理與鹽害控制研究 進展[J]．棉花學報，2006，18（4）：248-254. JIANG Yurong，LYU Youjun， ZHU Shuijin. Advance in studies of the mechanism of salt tolerance and controlling of salt damage in upland cotton[J].Cotton Science，2006，18（4）：248-254.

[12］師恭曜．對比根系轉錄組研究棉花鹽脅迫應答及耐受機理 [D]．北京：中國農業大學，2015. SHI Gongyao. Comparative study on sall stress response and tolerancemechanismofcottonby root transcriptome[D].Beijing：China Agricultural University，2015.

[13]Deinlein U，StephanAB，Horie T，etal.Plant salt-tolerance mechanisms[J].TrendsinPlant Science，2014，19（6）：371- 379.

[14]YeXX，WangH，CaoXL，etal.Transcriptomeprofilingof Puccinellia tenuiflora during seed germination under a long-term saline-alkali stress[J].BMC Genomics，2019，20（1）：589.

［15］蘇秀娟，徐海江，鄧曉娟，等．鹽脅迫對海島棉種子活力的 影響[J]．新疆農業科學，2020，57（9）：1604－1614. SU Xiujuan， XU Haijiang，DENG Xiaojuan，et al. Effects of salt stress on seed vigor of Gossypium barbadense L[J].Xinjiang Agricultural Sciences，2020，57（9）：1604-1614.

[16］李佩茹．棉花轉錄因子GhRAV和GhMYB功能分析［D]. 泰安：山東農業大學，2013. LI Peiru. Functional analysis of cotton transcription factors GhRAV and GhMYB[D]. Taian： Shandong Agricultural University， 2013.

[17］郭文琦，張培通，李春宏，等．蕾期土壤鹽度降低后棉花生 長發育的補償效應[J]．應用生態學報，2014，25（1）：162- 168. GUO Wenqi， ZHANG Peitong，LI Chunhong，et al. Compensation effect of cotton growth and development after soil salt content reduction at bud stage[J]． Chinese Journal of Applied Ecology， 2014，25（1）：162-168.

[18]SinghA，GanapathysubramanianB，SinghAK，etal.Machine learning for high -throughput stress phenotyping in plants[J]. Trends in Plant Science，2016，21（2）：110-124.

[19]Ghosal S，Blystone D，Singh A K，et al.An explainable deep machine vision framework forplant stressphenotyping[J].Proceedings of the National Academy of Sciences of the United States of America，2018，115（18）：4613-4618.

[20]Giufrida MV，ScharrH，Tsaftaris SA.ARIGAN：synthetic Arabidopsis plants using generative adversarial network[ C]//2017 IEEE International Conference on Computer Vision Workshops （ cVW），2017.

[21]Arsenovic M ，KaranovicM，Sladojevic S，etal.Solving current limitations of deep learning based approaches for plant disease detection[J].Symmetry，2019，11（7）：939.

[22]TodaY，OkuraF，ItoJ，etal.Training instance segmentation neural network with synthetic datasets for crop seed phenotyping [J].Communications Biology，2020，3（1）：173.

[23］王寧，霍飛超，張逸彬，等．棉花種子萌發期耐鹽機理初探 [J]．中國棉花，2023，50（5）：7-11. WANG Ning，HUO Feichao， ZHANG Yibin，et al. A preliminary exploration on the mechanism of salt tolerance in coton cultivars during seed germination[J]. China Cotton，2023，50（5）：7 -11.

[24］楊濤．海島棉耐鹽性評價及關聯分析[D]．烏魯木齊：新疆 農業大學，2020. YANG Tao. Evaluation and correlation analysis of salt tolerance of island cotton[D]. Urumqi： Xinjiang Agricultural University， 2020.

［25］魏俊梅.24個棉花種質資源耐鹽性差異比較［J]．中國棉 花，2014，41（5）：14-16. WEI Junmei.Comparison on salti tolerance of 24 cotton germplasmresources[J].China Cotton，2014，41（5）：14-16.

[26]Wang N，Wang XR，Qi Q，et al．Analysis of the effects of mepiquat chloride priming on the seedling growth-promoting in cotton under salt stress by multi -omics[J]. Industrial Crops and Products，2022，186：115296.

[27] Zhang N， Zhang H J， Sun Q Q，et al. Proteomic analysis reveals arole of melatonin in promoting cucumber seed germination under high salinity by regulating energyproduction[J].Scientific Reports，2017，7（1） ： 503.

[28］戴海芳，武輝，阿曼古麗·買買提阿力，等．不同基因型棉 花苗期耐鹽性分析及其鑒定指標篩選［J]．中國農業科學， 2014，47（7）：1290-1300. DAI Haifang，WUHui，Amanguli Maimaitiali，et al.Analysis of salt-toleranceand determination of salt-tolerant evaluation indicators in cotton seedlings of different genotypes[J]. Scientia Agricultura Sinica，2014，47（7） ：1290-1300.

Salt tolerance in germination period of cotton seeds based on convolutional neural network and synthetic dataset

WANG Yongpan12 ， MA ，LI Chenyu1，2，YAO Mengyao1，2，WANG Zixuan1，2， HUANG Lingzhi1，ZHU Haiyan1，LIU Wanrong2，LI Bo2，YANG Yang2，GAO Wenwei1 （1. College of Agriculture， Xinjiang Agricultural University ，Urumqi 830o52， China;2. Xinjiang Key LaboratoryofCrop Biotechnology /Research Institute of Nuclear Technology and Biotechnology，Xinjiang Academy of Agricultural Sciences，Urumqi 830o91，China;3 Institute of Economic Crops ， Xinjiang Academy of Agricultural Sciences， Urumqi 830091，China）

Abstract：【Objective】 To establish a convenient and accurate non -destructive detection method for cotton seed germination phenotypes，so as to characterize the salt tolerance of diferent coton germplasm at the germination stage.【Methods】A synthetic dataset was generated using 15O images of coton seed germination atdifferent stagesand used to train the Mask R-CNN model.Using the trained model，we performed instance segmentation and feature extraction of seed shell and germ in real -world images of 6O cotton germplasm that germinated under 125 mmol/L NaCl treatment，and used them to infer the seed germination rate，germination potential，and germination length，so as to evaluate the salt tolerance of these 6O coton germplasm in the germination stage.【Results】 The generated synthetic dataset contained images and corresponding mask data.The accuracy of the Mask R-CNN model trained based on this dataset for the segmentation of seed shellsand germs in real images was above 95 % ，and the phenotypic values that inferred by model were highly consistent with them measured by manual operation （ ， P lt; 0 . 0 0 1 ）， indicating that the phenotypes could be accurately obtained using the model. The cluster analysis of the salt tolerance index for each trait clasified the 6O cotton materials into four levels；using the afiliation function method for a comprehensive evaluation of the salt tolerance of the coton varieties.Kezimian 4（0.95），MC-30（O.88），and Lu8zao （0.81）had a larger D - value and indicated high salt tolerance.【Conclusion】In this study，we have established a method for phenotyping coton seed germination traits based on the convolutional neural network model thattrained by using synthetic dataset.and using this method，we have identifiedthe seed germination salt tolerance of 6O cotton germplasm in a non - destructive，rapid and accurate manner.

Key words ：cotton；convolutional neural network ； image segmentation； seed germination