→查看原文   →查看PDF

穗数密度作为水稻产量构成的核心表型性状，其精准量化是水稻智能测产的关键技术瓶颈。当前基于目标检测的穗数识别方法受限于：（1）大田复杂背景干扰（冠层遮蔽效应与光照变异）；（2）多穗型形态异质性（直立型/中间型/散穗型）；（3）无人机平台成像分辨率与计算效率的互斥关系，导致传统方法在田间尺度难以兼顾计数精度与通量需求。

2025年3月，Plant Phenomics 在线发表了中国水稻研究所稻田生态与资源利用团队题为LKNet: Enhancing rice canopy panicle counting accuracy with an optimized point-based framework的研究论文。

研究团队提出了面向复杂田间场景的稻穗计数新范式LKNet。LKNet通过构建大核卷积模块，增强穗部形态特征解译能力，同时设计自适应定位损失函数，提升不同生育期（抽穗期/灌浆期/成熟期）穗粒的空间分辨精度（图1）。这种“特征提取-空间定位”协同优化机制，有效解决了复杂冠层场景下的目标漏检与误检问题。在包含3种典型穗型（直立型、中间型、散穗型）及3个关键生育期（抽穗期、灌浆期、成熟期）的水稻冠层穗测试数据集上，LKNet的决定系数（R²）均大于0.9，均方根误差（RMSE）稳定在1.3以下（图2）。此外，不同于依赖高分辨率的传统计数模型，LKNet能在0.15cm/pixel成像条件下依旧能维持实用级精度（R²>0.82，RMSE<4.8）。并且研究进一步构建了分辨率-精度响应曲线，首次量化了成像分辨率与计数精度的非线性关系（图3），为无人机表型采集系统提供关键参数优化依据。

图1 模块修改前后来自模型分类头的类激活图示例。P2PNet_1表示修改了位置损失函数；P2PNet_2表示修改了位置损失函数并添加了LKconv。

图2 LKNet在7m飞行高度的计数精度。（A）不同穗型下的RMSE。（B）不同穗型下的R²。（C）直立型穗下不同生长阶段预测值和实际值的散点图。（D）中间型穗下不同生长阶段预测值和实际值的散点图。（E）散穗型穗下不同生长阶段预测值和实际值的散点图。

图3 不同仿真分辨率对LKNet计数精度的影响

浙江理工大学计算机科学与技术学院硕士研究生李子秋和中国水稻研究所博士研究生洪卫源为该论文共一作者，中国水稻研究所陈松研究员为该论文通讯作者。中国水稻研究所研究员王丹英、博士生冯向前、硕士生王爱冬、覃金华、科研助理马横宇、浙江理工大学姚青教授等参与了研究工作。研究得到国家基金面上项目、国家重点研发计划、浙江省重大专项等项目的资助。

论文链接：

https://doi.org/10.1016/j.plap‍he.2025.100003

——推荐阅读——

Establishing a Gross Primary Productivity Model by SIF and PRI on the Rice Canopy

https://spj.science.org/doi/10.34133/plantphenomics.0144

Plant Phenomics | 南京信息工程大学等单位利用日光诱导叶绿素荧光和光化学植被指数建立了水稻冠层总初级生产力模型Phenotyping of Panicle Number and Shape in Rice Breeding Materials Based on Unmanned Aerial Vehicle Imagery

‍https://doi.org/10.34133/plantphenomics.0265‍

Plant Phenomics | 浙江大学岑海燕教授团队基于无人机图像的水稻育种小区稻穗计数与穗型分类

加入作者交流群

扫码添加小编微信，拉您进入《植物表型组学》作者交流群，群内不定期开展作者分享会、专刊发布会等高质量活动。

添加小编微信，备注姓名+单位+PP，加入作者交流群