在水稻育種過程中，小區(qū)的單位面積穗數(shù)是產(chǎn)量構(gòu)成四要素之一，在遺傳增益、產(chǎn)量形成等方面起著非常重要的作用，傳統(tǒng)單位面積穗數(shù)需要人工抽樣調(diào)查，不僅費時費力，還存在主觀誤差。因此，準(zhǔn)確高效量化單位面積穗數(shù)對培育高產(chǎn)水稻品種至關(guān)重要。以往的研究基于貼近冠層的固定觀測平臺或無人機平臺，通過這些方法得到冠層圖像效率低，且圖像處理流程復(fù)雜，還需要人工進(jìn)行圖像裁剪和標(biāo)注。

2024年10月，Plant Phenomics在線發(fā)表了浙江大學(xué)題為Phenotyping of Panicle Number and Shape in Rice Breeding Materials Based on Unmanned Aerial Vehicle Imagery的研究論文。

本研究旨在開發(fā)一種基于無人機圖像的全自動化、高通量的田塊分割和稻穗計數(shù)方法，同時對不同稻穗進(jìn)行彎曲度分類，為育種學(xué)家提供數(shù)字化的稻穗表型信息。首先，本研究于15m高度拍攝水稻冠層圖像，圖像拼接后使用基于Mask R-CNN的田塊邊界自動識別算法Plot-Seg將大田圖像分割成小區(qū)尺度的子圖，并根據(jù)齊穗-成熟時間將其分為3個生長階段，而后根據(jù)集成多路徑Transformer的稻穗識別網(wǎng)絡(luò)Panicle-ViT準(zhǔn)確檢測單位面積稻穗數(shù)目。此外，使用Res2Net50模型對 0°、15°、45° 和 90° 四種角度的稻穗進(jìn)行了分類。

結(jié)果表明，Plot-Seg的性能與人工分割接近，在全數(shù)據(jù)集上，Panicle-ViT的識別表現(xiàn)優(yōu)于傳統(tǒng)Mask R-CNN，AP50提高了3.5% 至20.5%，稻穗計數(shù)也取得了優(yōu)異的性能，R2為0.73，RMSE為28.3，整體穗型分類準(zhǔn)確率達(dá)到94.8%。研究工作實現(xiàn)了從小區(qū)分割到單位面積穗數(shù)預(yù)測的全流程自動化分析，為加速水稻育種材料的篩選提供關(guān)鍵技術(shù)支撐。

圖1小區(qū)田塊分割流程圖

圖2 Panicle-ViT架構(gòu)圖

圖3 小區(qū)穗數(shù)預(yù)測大田分布圖

浙江大學(xué)生物系統(tǒng)工程與食品科學(xué)學(xué)院博士研究生陸旭琦為該論文第一作者，岑海燕教授為該論文通訊作者。浙江大學(xué)教授舒慶堯、博士后謝嘉揚、博士生沈煜韜、楊鑫，中國水稻研究所副研究員陳松等參與了研究工作。研究得到國家重點研發(fā)計劃項目、浙江省重點研發(fā)計劃項目以及中央高校基本科研業(yè)務(wù)費的資助。

論文鏈接：
‍https://doi.org/10.34133/plantphenomics.0265‍

——推薦閱讀——
Characterization and Identification of NPK Stress in Rice Using Terrestrial Hyperspectral Images 
https://doi.org/10.34133/plantphenomics.019‍7‍
Plant Phenomics | 東北農(nóng)業(yè)大學(xué)利用近端成像光譜對水稻NPK脅迫進(jìn)行特征化及鑒別
A High-Throughput Method for Accurate Extraction of Intact Rice Panicle Traits 
https://doi.org/10.34133/plantphenomics.0213
Plant Phenomics | 華中農(nóng)業(yè)大學(xué)作物表型團隊開發(fā)了一種高效準(zhǔn)確測量未經(jīng)整形的水稻稻穗表型方法

加入作者交流群
掃碼添加小編微信，拉您進(jìn)入《植物表型組學(xué)》作者交流群，群內(nèi)不定期開展作者分享會、�？�發(fā)布會等高質(zhì)量活動。

添加小編微信，備注姓名+單位+PP，加入作者交流群

About Plant Phenomics
《植物表型組學(xué)》（Plant Phenomics）是由南京農(nóng)業(yè)大學(xué)創(chuàng)辦的英文學(xué)術(shù)期刊，于2019年1月正式上線發(fā)行。采用開放獲取形式，刊載植物表型組學(xué)交叉學(xué)科熱點領(lǐng)域具有突破性科研進(jìn)展的原創(chuàng)性研究論文、綜述、數(shù)據(jù)集和觀點。具體范圍涵蓋高通量表型分析的最新技術(shù)，基于圖像分析和機器學(xué)習(xí)的表型分析研究，提取表型信息的新算法，作物栽培、植物育種和農(nóng)業(yè)實踐中的表型組學(xué)新應(yīng)用，與植物表型相結(jié)合的分子生物學(xué)、植物生理學(xué)、統(tǒng)計學(xué)、作物模型和其他組學(xué)研究，表型組學(xué)相關(guān)的植物生物學(xué)等。期刊已被DOAJ、Scopus、PMC、EI和SCIE等數(shù)據(jù)庫收錄。科睿唯安JCR2022影響因子為7.6，位于農(nóng)藝學(xué)一區(qū)（1/125名），植物科學(xué)一區(qū)（13/265名），遙感一區(qū)（6/62名）。2023年中科院期刊分區(qū)位于農(nóng)林科學(xué)大類一區(qū)。2020年入選中國科技期刊卓越行動計劃高起點新刊項目、2024年入選江蘇科技期刊卓越行動計劃領(lǐng)軍期刊項目。

說明：本文由《植物表型組學(xué)》編輯部負(fù)責(zé)組稿。
中文內(nèi)容僅供參考，一切內(nèi)容以英文原版為準(zhǔn)。
特邀作者：陸旭琦
編輯排版：王平、李芯蕊（南京農(nóng)業(yè)大學(xué)）
審核：尹歡、孔敏