The Crop Journal | 长江大学联合中国农科院作科所建立提取大豆植株表型的框架

以下文章来源于The Crop Journal ，作者编辑部

大豆富含蛋白质和脂肪，在我国种植历史悠久，是我国重要的经济作物。成熟期大豆植株的表型特征对大豆育种研究有重要意义，而表型的人工考察存在成本高、效率低、误差大等问题。近年来，利用计算机视觉技术实现大豆表型特征的自动测量已成为表型研究中的热点问题。

近日，长江大学联合中国农业科学院作物科学研究所在The Crop Journal在线发表了题为“SPP-extractor: Automatic phenotype extraction for densely grown soybean plants”的研究论文，建立了提取大豆植株表型的框架。

该研究针对成熟期大豆植株表型特征自动测量易受豆荚遮挡、茎干弯曲、二级分枝等因素影响的问题，以深度学习框架为基础，提出了一套大豆成熟期表型自动测量算法——SPP-extractor (soybean plant phenotype extractor)。该算法融合目标检测神经网络模型、语义分割神经网络模型和定向搜索算法，自动测量成熟期大豆植株中豆荚和茎的相关性状。在研究中比较了人工测量和模型测量的豆荚个数、主茎长度、分枝个数和分枝长度表型数据，其判定系数分别0.93、0.99、0.98和0.98。表型提取全过程见图1。分析结果表明，SPP-extractor自动化的提取过程不需要人工干预，不需要先将豆荚从植株上取下，能正确处理主茎下弯和二级分枝的情况，降低了表型特征采集的人工成本，可以帮助育种家快速获取成熟期大豆植株的表型。

图1  茎相关表型提取过程的结构图

(A) 图像叠加和主茎提取：(a) 原始图像；(b) 二值化图像；(c) 语义分割结果图像；(d) 用于路径搜索的复合图像；(e) 注释主茎图像。(B) 弯曲顶部处理：(f) 初始不完整的主茎路径；(g) 确定起点；(h) 获取相关的茎区域；(i–l) 路径扩展过程；(m) 最终完整的主茎路径。(C) 分枝识别和长度计算：(n) 用于分枝识别的复合图像；(o–s) 4个分枝的提取和测量效果。

图2  表型性状模型测量值与人工测量值的回归分析（PNPP，全株荚数；PH，株高；EBN，有效分枝数；BL，分枝长度）

图3  豆荚识别效果对比

(A) 原图。(B) YOLOv5s识别豆荚效果。(C) SPP-extractor识别豆荚效果。

作者和基金项目

长江大学2021级硕士研究生周婉为该文第一作者，黄岚副教授、王俊教授和中国农业科学院作物科学研究所邱丽娟研究员为共同通信作者。该研究得到国家自然科学基金项目（62276032和32072016）和中国农业科学院农业科技创新工程的资助。

本文转载自The Crop Journal

转自：“植物生物技术Pbj”微信公众号

如有侵权，请联系本站删除！