基于卷积神经网络和合成数据集训练鉴定棉花种子萌发期的耐盐性

【结论】建立了基于卷积神经网络和合成数据集训练的棉花种子萌发期性状鉴定方法，并使用该方法，无损、快速且精准的鉴定了60份棉花种质种子萌发期的耐盐性。

0引言

【研究意义】土壤盐碱化制约着农业的可持续发展[1-5]。棉花是纺织、医药等产业重要的原材料[6-7]。棉花亦是一种耐盐能力较强的作物，被称为改良盐碱地的先锋作物[8，可以在盐碱地种植改良土壤。选用耐盐品种是提高盐碱地棉花产量的重要措施之一。研究表明，棉花在萌发期和苗期比其他生育时期更易受到盐胁迫的影响9]，盐胁迫（超过 1 0 d S / m 造成棉花种子发芽率急剧下降，同时出苗期也被推迟4～5d，导致棉花产量下降[10]此外，不同棉花种质之间的耐盐性存在差异[1-13] 。快速、准确、无损的量化棉花萌发期耐盐相关性状是开展耐盐棉花品种选育重要前提之一。因此，鉴定不同棉花种质萌发期的耐盐性，深入研究其耐盐性遗传基础及其表型可塑性机理，对于培育耐盐、稳产的棉花品种具有重要意义。【前人研究进展】基于卷积神经网络（ConvolutionalNeuralNetworks，CNN）的计算机视觉技术，如图像分类、目标检测和实例分割等在农业领域，特别是表型检测方面得到了广泛应用[18]，Ghosal等[19对植物水分胁迫进行神经网络功能化预测，实现温室番茄灌溉自动化控制。监督学习的缺点是需要大量的人力来标记图像数据，而利用合成图像、自动产生用于学习的注释数据集能够有效的弥补该缺陷。Giuffrida等[20]使用gan生成的图像来训练用于拟南芥叶片计数的神经网络，Arsenovic等[21使用StyleGAN28创建用于植物病害图像分类的训练图像，Toda等[22利用大麦种子的合成图像数据集完成了其种子的识别分割及表型提取。【本研究切入点】盐胁迫下棉花种子发芽率、发芽势、根长和活力指数的盐害系数总体呈上升趋势[14-17]，可作为发芽期耐盐性性状的评价指标[8]。量化种子萌发性状，普通的人工方法耗时长、误差大，SeedAIxpert（https：//www.lemnatec.com/seedaixpert/）等商业自动化平台又存在成本和性价比问题。因此，有必要建立简便、高通量的种子萌发表型量化方法，通过建立合成数据集进行棉花种子萌发图像识别和分割的神经网络模型训练，建立便捷且精准的棉花种子萌发表型的无损检测方法，以鉴定不同棉花种质的萌发期耐盐性。【拟解决的关键问题】利用不同生育阶段的棉花种子萌发图像生成合成数据集并进行MaskR-CNN模型训练，评估模型的准确性；利用训练好的模型，对60份棉花材料种子在 L NaCl处理下萌发真实图像中的种子和胚芽进行实例分割和特征提取，并以此计算种子发芽率、发芽势和胚芽长度，评价60份棉花种质萌发期的耐盐性。

表160份陆地棉种质材料

材料与方法

1.1 材料

以60份陆地棉种质资源为材料，由新疆农业科学院核技术生物技术研究所提供。表1

1. 2 方法

1. 2.1 试验设计

人工光照培养箱设置：光照/黑暗时间为 / 8 h ，恒温，相对湿度 6 0 % 。

种子发芽试验采取纸上发芽法。选择大小一致、均匀饱满的种子用 7 5 % 酒精浸泡 3 0 s ，再用10 % 次氯酸钠浸泡消毒 1 0 m i n ，最后用蒸馏水反复清洗数次。将50粒种子均匀铺置于有发芽纸的培养皿内，滴加 1 0 m L 的浓度为的NaCI溶液作为盐胁迫组（S），对照组（CK）滴加1 0 m L 的蒸馏水，每个处理均设置3个重复。

1.2.2合成数据集的生成

使用单反相机采集未萌发和萌发的棉花种子图像，图像尺寸为 3 5 0 8 × 2 4 7 9 ，300或 6 0 0 d p i 。选择TM-1、新中棉49号和新陆早1号3个品种进行合成数据集的原始图像采集，每个品种收集未萌发种子图像20张，萌发种子（胚芽长度0.5～ 3 c m ）图像30张；去除种子图像的背景区域，使种子区域以外的像素值在RGB颜色值中为（0，0，0），以构成“种子图像池”。从白色滤纸照片中裁剪出4张固定尺寸为 1 0 2 4 × 1 0 2 4 的图像，作为“背景图像池”。从种子图像池中随机选择9张图像，随机设置角度旋转，随后根据每个种子图像的大小生成不使图像重叠的随机坐标，按照坐标将种子图像粘贴在背景上生成合成图像；同时，重复的将上述种子图像粘贴在的透明画布上，并将图像中不透明（0，0，0）的像素更改为相应的标注（种子为1，胚芽为2）从而生成合成图像的标注掩码（mask）。最终生成的合成数据集由1200张合成图像及其相应掩码组成，其中每张图像的大小为 1 0 2 4 × 1 0 2 4 ，用于MaskR-CNN神经网络训练。

1.2.3 MaskR-CNN神经网络训练和测试

参考Toda等[22]的方法进行MaskR-CNN（https：//github.com/matterport/Mask-RCNN）模型训练，使用存储库预定义的配置，包括网络架构和损失。残差网络ResNet10153用于特征提取。基于MSCOCO数据集训练得到的ResNet101作为初始权重值，采用随机梯度下降优化方法对合成图像数据集进行40个epoch的微调，学习率为0.001，批大小为2。在合成数据集的2000张图像中，1980张用于训练，20张用于测试。训练过程中不进行图像增强。该网络输出一组具有概率值的边界框和种子候选掩码区域，定义0.5的阈值来隔离最终的掩码区域。

使用Labelbox（https：//labelbox.com）手动标注50张真实图像，采用精度（Precision， P ）、召回率（ R e c a l l， R ）和值作为模型分割准确性的评价指标。

式中， T P （TruePositive）：预测为正，实际为正； F P （FalsePositive）：预测为正，实际为负； F N （FalseNegative）：预测为负，实际为正。

1.2.4 种子萌发及耐盐性指标的测定

在种子萌发期间，每天调查记录种子发芽个数，种子发芽以胚根突破种皮达种子长度 5 0 % 为准，在萌发期第5d试验结束。参照王宁等[2]的方法统计分析相对发芽率、相对根长、种子活力指数等萌发指标。

耐盐系数（各指标相对值 % ） σ= σ （处理组指标值/对照值） × 1 0 0 % 。

1.2.5 耐盐性综合评价

采用模糊隶属函数法对陆地棉种质资源材料进行耐盐性评价。参照杨涛等[24]方法计算隶属函数值。

1.2.6 隶属函数值

陆地棉种质资源材料各指标的综合隶属函数值计算公式为：

2 ， ⋅ s n .

式中，：第 i 个综合指标，：第 i 个综合指标的最大值，：第 i 个综合指标的最小值。

1.2.7 权重系数

综合指标权重：

式中，为第 i 个综合指标在所有综合指标中的权重， p i 为各品种第 i 个综合指标的贡献率。

1.2.8 综合评价值

耐盐性综合评价值 D 的计算公式为：

1.3 数据处理

用Excel2010对数据进行处理，选用SPSS21.0和 R 进行聚类分析、主成分分析和相关性统计分析，利用隶属函数法对耐盐性综合分析。

2 结果与分析

2.1 合成图像数据集生成与模型的评估

研究表明，利用150张不同阶段的棉花种子萌发图像（共3个棉花品种，每个品种包括种子20张、胚芽30张）生成了包含2000组合成图像及其相应掩模数据的合成数据集。例举种子图像池和合成数据集，种子萌发过程中，胚芽形态在大小、形状方面变化很大，在合成图像时设置胚芽随机地相互接触或部分重叠，以确定二值化的最佳阈值以减少萌发频率和胚芽长度计算的误差。图1

经过训练的MaskR-CNN模型输出一组种子和胚芽区域的掩模图像，该网络准确地定位和分割种壳与胚芽。该模型在合成和实际测试数据集上的值分别为 9 7 . 8 2 % 和 9 5 . 9 3 % ，训练的模型可以非常低的假阴性和假阳性率分割种壳和胚芽。此外，该模型对种壳的合成图像和真实图像的分割准确性要稍高于其对胚芽的分割准确性。表2，图2

2.2 棉花种子萌发期NaCI胁迫条件筛选

研究表明，从60份种质材料中随机挑选5份材料用于初筛，用NaCI初步胁迫处理的棉花材料：N701、新中棉49号、珂字棉4号、新陆早1号

图1 棉花种子萌发合成图像数据集的生成Fig. 1 Generationofsyntheticimagedatasetof cotton seed germination

注：掩码中蓝色代表种壳，红色代表胚芽 Notes：In the mask，blue and red represent the seed shell germ， respectively

表2训练的MaskR-CNN模型对真实图像分割的准确性

和TM-1，每个材料50粒，各3个重复。在材料种子分别受到0、100、125、150、175和200mmol/LNaCl胁迫处理时，萌发5d后观察发芽情况和表型，随着盐浓度的增大，种子萌发的芽长逐渐变短，甚至不发芽，NaCl抗性与浓度有关。在 L胁迫时，种子的发芽率明显受到抑制，选用此浓度作为筛选耐NaCl材料的指标。图3

图2训练的MaskR-CNN模型的准确性Fig 2 TheaccuracyofthetrainedMaskR-CNNmodel

注：A，B：模型对棉花种子萌发真实图像分割的可视化;C-E：基于模型提取的萌发性状表型和实测表型的线性相关性 Notes：A，B：VisualresultoftetraindMaskR-CmodelonrealworldimageofcotosdgeiationimagesBlueanddcolosindicatethesegedifdlndspeciel.C-E：enaoeaoofdgeaotrisatsdy theMask-R CNNmodelandbymanual operation

图3 棉花种子在NaCI胁迫下的萌发表型Fig. 3 Germination phenotype of cotton seedsunderNaClstress

发芽势耐盐系数的变化为 0 % ～ 8 5 . 1 9 % ，变异系数为 3 3 . 6 3 % ，耐盐系数在 0 % ～ 1 0 % 的种质资源材料有28份；发芽率耐盐系数的变化为 0 % ～ 8 9 . 2 0 % ，变异系数为 4 8 . 9 4 % ，耐盐系数在 10 % ～ 2 0 % 的种质资源材料有15份；发芽指数相对值的变化为 0 % ＼～ 9 6 . 4 1 % ，变异系数为

4 3 . 3 8 % ，其中有22份种质材料的耐盐系数在0 % ～ 1 0 % ；种子活力指数耐盐系数的变化为 0 % ～ 7 0 . 0 4 % ，变异系数为 4 2 . 5 0 % ，有29份种质材料的耐盐系数在 0 % ～ 1 0 % 。图4

2.3 棉花耐盐系数的方差和相关性

2.3.1 方差分析

研究表明，萌发性状4个指标：发芽势、发芽率、发芽指数和活力指数在基因型方面均达到极显著水平（ P lt; 0 . 0 1 ），60份陆地棉种质材料种子的萌发期各个萌发性状在不同品种间具有极显著差异。表3

2.3.2 相关性分析

研究表明，60份棉花材料种子发芽势与发芽率、发芽指数、活力指数呈极显著正相关。发芽率与发芽指数、种子活力指数呈极显著正相关。发芽指数与种子活力指数呈极显著正相关。发芽指数与发芽势和发芽率相关系数最高，分别达到0.859和0.957。表4

图4陆地棉种质材料萌发期各性状耐盐系数统计Fig.4Histogram of statistics of salt tolerance coefficients for each trait at germination stage of land cotton germplasm resources

表3 供试材料萌发性状方差注： Plt;0 . 0 0 0 1 表示在0.01水平上极显著相关； R G R ：发芽率耐盐系数； R G P ：发芽势耐盐系数；RGI：发芽指数耐盐系数;RVI：种子活力指数耐盐系数，下同 Notes ： Plt;0 . 0 0 0 1 indicates highly significant correlationatO.O1level；RGR：salt tolerancecoefficient of germinationrate; R G P ：salttolerancecofitfooalltf；Valtfe the same as below

表4盐胁迫下种子萌发性状耐盐系数间的相关性注：**：在0.01水平上极显著相关 Notes：**：highly significant correlation at the O.O1 level

2.4 盐胁迫下棉花种质资源材料萌发期各性状耐盐性聚类

研究表明，第I个水平包括珂字棉4号、新中棉49号和陆8早等8份材料， D 值为（ 0.07），占供试材料的 1 3 . 3 3 % 。第 I 个水平包括农垦5号、N701、N19和斯字棉等17份材料， D 值为（ 0 . 6 1 ± 0 . 0 6 ），占供试材料的 2 8 . 3 3 % 。第Ⅲ个水平包括N718、石大和中棉所50号等16份材料， D 值为（（ 0 . 3 9 ± 0 . 0 6 ），占供试材料的2 6 . 6 7 % 。第V个水平包括陆地棉遗传标准系TM-1、新陆中9号和晋棉2号等19份材料， D 值为（ 0 . 2 1 ± 0 . 0 2 ），占供试材料的 3 1 . 6 7 % ，属于相对盐敏感型品种。表5，图5

2.5 盐胁迫下陆地棉种质资源材料萌发期各性状耐盐性综合评价

研究表明，用 D 值进行耐盐性综合评价，按照 D 值大小进行排序，变幅在 0 . 1 8 0 ～ 0 . 9 5 4 。珂字棉4号和MC-30耐盐性表现最佳， D 值分别达到了0.89和0.95。MC-46和TM-1耐盐性表现最差， D 值为0.18。表6

表5 供试材料基于聚类分析的耐盐类型分布频率

图560份陆地棉种质材料的耐盐性聚类Fig.5Cluster analysis of salt tolerance of 60 land cotton germplasm materials

表6部分供试陆地棉种质材料综合评价

3讨论

3.1试验研究证明了利用合成数据集可以训练实例分割神经网络来分析棉花种子萌发的真实图像。利用模型得到的种子萌发表型数值与手工标注的值相当，从而实现了种子萌发形态性状的高通量、无损定量，相比于手动标记大量真实图像[19-20]

。

3.2试验结果表明NaCl胁迫显著抑制了棉花种子的萌发，降低了不同棉花材料的发芽势、发芽率和根长等，与前人的研究结果一致[25-26]。试验中，采用模糊隶属函数法和主成分分析法，从而得出综合耐盐系数 D 值[27]。戴海芳等[28]通过通过D 值将17供试材料分为4种耐盐类型（盐敏感、不耐盐、中度耐盐、耐盐），其中新陆早1号的耐盐性 D 值为0.367，耐盐类型处于不耐盐，与研究的结果一致。今后将模拟真实胁迫条件，结合建立的高通量鉴定方法进行大规模室内鉴定，并进行田间试验。

4结论

供试60份棉花材料划分为耐盐性相对不同的4个水平，第I个水平耐盐性相对最佳，以珂字棉4号为代表，第Ⅱ个水平以MC-9为代表，第Ⅲ个水平以中棉所50号为代表，第V个水平对盐胁迫较为敏感，以TM-1为代表。建立了基于卷积神经网络和合成数据集训练的棉花种子萌发期性状鉴定方法，并使用该方法，无损、快速且精准的鉴定了60份棉花种质的种子萌发期耐盐性。

参考文献（References）

[1]刘星宏，张青青，张鹏，等．北疆盐碱地空间分布特征分析 [J]．中国农业科技导报，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］杨淑萍，危常州，梁永超．盐胁迫对海岛棉不同基因型幼苗生长及生理生态特征的影响[J]．生态学报，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，郭岩，杨淑华．非生物胁迫与环境适应性育种的现状及对策[J]．中国科学：生命科学，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]杨真，王宝山.中国盐渍土资源现状及改良利用对策[J]. 山东农业科学，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.棉花抗逆育种研究进展[J]．南京农业大学学报，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，陈玉梁，罗俊杰，等．棉花抗旱品种筛选鉴定及抗旱性综合评价方法[J]．干旱地区农业研究，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］张国伟，路海玲，张雷，等．棉花萌发期和苗期耐盐性评价及耐盐指标筛选［J]．应用生态学报，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］蒋玉蓉，吕有军，祝水金．棉花耐盐机理与盐害控制研究进展[J]．棉花学报，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］师恭曜．对比根系转录组研究棉花盐胁迫应答及耐受机理 [D]．北京：中国农业大学，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］苏秀娟，徐海江，邓晓娟，等．盐胁迫对海岛棉种子活力的影响[J]．新疆农业科学，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．棉花转录因子GhRAV和GhMYB功能分析［D]. 泰安：山东农业大学，2013. LI Peiru. Functional analysis of cotton transcription factors GhRAV and GhMYB[D]. Taian： Shandong Agricultural University， 2013.

[17］郭文琦，张培通，李春宏，等．蕾期土壤盐度降低后棉花生长发育的补偿效应[J]．应用生态学报，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］王宁，霍飞超，张逸彬，等．棉花种子萌发期耐盐机理初探 [J]．中国棉花，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］杨涛．海岛棉耐盐性评价及关联分析[D]．乌鲁木齐：新疆农业大学，2020. YANG Tao. Evaluation and correlation analysis of salt tolerance of island cotton[D]. Urumqi： Xinjiang Agricultural University， 2020.

［25］魏俊梅.24个棉花种质资源耐盐性差异比较［J]．中国棉花，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，武辉，阿曼古丽·买买提阿力，等．不同基因型棉花苗期耐盐性分析及其鉴定指标筛选［J]．中国农业科学， 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.