华中农业大学作物表型团队利用无人机表型平台为水稻田间抽穗性状高通量动态评估提供了新方法

抽穗期和有效分蘖率是水稻的重要性状，其直接影响水稻的植株结构和产量，两者均与穗数和分蘖数的比例有关，简称抽穗比例。传统分蘖数和穗数的获取存在通量低、主观性强、时效性低等问题，并且简单的室内分析无法代表大田环境下的作物生长状况。

近日，华中农业大学作物表型团队在Journal of Experimental Botany发表了题为“Panicle Ratio Network: A high-throughput dynamic phenotype recognition model based on ultra-high-definition unmanned aerial vehicle images for rice panicle analysis in fields”的研究论文。该研究基于深度学习，利用无人机影像建立了高精度的水稻抽穗比例信息提取模型，并针对种植模式、图像分辨率、采集设备和时序分析等不同情况提出了应用策略。

图1 数据采集示例和模型建立流程

该研究通过自主搭建的超高清无人机图像采集平台获取水稻抽穗期图像，该平台集成了富士亿级像素相机GFX100，可在10分钟内完成3000个水稻品种的图像数据采集。每次采集完成后同步进行穗数和分蘖数的实地调查。使用不同时期、不同品种的图像和实测数据建立基于深度卷积神经网络的抽穗比例识别模型。

图2 不同模型的训练曲线和精度评价结果

该研究为了验证模型的泛化性，除了在第二年进行了3000个品种水稻的重复性实验，还在第三年采集了不同地区的大田种植水稻的图像。如图2所示，模型在训练集和验证集上拥有良好的精度，同时在不同年份、不同地区采集的测试集上依然拥有较高的准确率。

基于上述结果，该研究对比分析了不同分辨率图像、水稻小区在图像中的位置以及阴影和形变等因素对模型精度的影响，全面总结了模型的适用范围，可帮助读者快速判定该模型是否适用于其采集的图像。此外，结合卷积神经网络的理论支撑，研究解释了不同尺寸图像是如何导致模型精度改变的，让读者可以深入思考在自己的研究领域如何使用深度卷积神经网络技术。

综上所述，立足于增加水稻作物栽培与育种的便利性，该研究针对对于水稻产量具有重要意义的抽穗期和有效分蘖率，建立了一个可以代替田间人工调查的多尺度田间抽穗情况评估模型。可以预见，运用无人机图像进行作物表型分析将是未来的一大主流趋势，除本实验所研究的水稻外，对于其他作物也会有优秀的表现。

华中农业大学硕士生郭子越为论文的第一作者，作物表型团队张建副教授为本文的通讯作者，陈国新副教授和杨万能教授也参与了此项研究。该研究得到了国家重点研发计划项目(2021YFD1200504)和国家自然科学基金项目(42171349)资助。

论文链接：

https:// doi/10.1093/jxb/erac294

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！