品质至上,客户至上,您的满意就是我们的目标
技术文章
当前位置: 首页 > 技术文章
Plant Phenomics | 北京市农林科学院提出了玉米雄穗状态识别与鉴定的新方案
发表时间:2024-07-25 09:54:40点击:98
来源:植物表型组学
分享:
玉米制种田中雄穗状态不仅是玉米生长发育阶段的重要指标,更直接反映了去雄作业的效果。准确监测雄穗状态对于确定去雄方式、把握最佳去雄时机以及筛查遗漏的母本雄穗等关键环节起着决定性作用。然而,目前制种员主要依赖田间巡查和经验判断,这种方法往往存在信息不全面等局限性。此外,现有的雄穗检测模型多针对特征明显的成熟雄穗,难以准确识别未露头雄穗或去雄后的植株。
为解决这些问题,北京市农林科学院信息技术研究中心的杜建军研究团队提出了一套创新的玉米制种田雄穗状态评估技术方案。该方案结合了低成本、高效率和灵活性的无人机技术,实现了高通量的田间监测;通过人工智能技术高效解析无人机采集的影像数据,能够快速提取和分析制种田内雄穗的生长发育状态。通过采用数据标注、检测模型的优化选择以及分块模式评估等一系列先进策略,实现了对制种田玉米雄穗状态的精准检测,为一线制种员提供了直接技术支持,有望显著提升玉米制种的整体质量和效率。
2024年6月,Plant Phenomics在线发表了北京市农林科学院信息技术研究中心题为Detection and Identification of Tassel States at Different Maize Tasseling Stages Using UAV Imagery and Deep Learning 的研究论文。
本研究针对玉米制种田父母本雄穗状态检测与鉴定的实际需求,提出一套适用于抽雄期前后复杂场景的雄穗状态识别和鉴定方法,主要包括创新性工作:首先,提出了融合多阶段雄穗特征的数据标注和增强策略;其次,构建了系列基础数据集并通过基准测试优化了检测模型架构和超参数;最后,提出了基于无人机影像分块模式的数据定量测试方法。实验结果表明,该方法在准确识别玉米抽雄期前后植株雄穗状态方面表现出色,基于增强数据优化的检测模型在所有类别中实现了平均94.5%的检测精度,而采用分块策略的优化模型组合可将准确率提升至98%。
图1 玉米雄穗状态及其检测与鉴定流程. (A) 基于人工标注的NSL-A数据集;(B) 评估标注边界框尺寸;(C) 基于尺寸调整后的NSL-B数据集;(D) 评估不同的网络架构和超参;(E) 数据增强后的NSL-C数据集;(F) 选择检测模型;(G) 基于测试数据集的结果;(H) 不同图像分块模式下识别雄穗状态。其中,A1、A2和A3为3个雄穗类别的代表样本。
图2 通过评估检测模型的准确性来确定标注目标边框大小。(A) 以50像素为增量;(B) 以10像素为增量。
图3 基于FLOPs、参数量、效率(FPS)和准确性(mAP@0.5)指标对目标检测模型进行评估。
图4 基于NSL-C数据集评估不同参数规模的RTMDet模型。
图5 基于NSL-T测试数据集的3个穗类别检测结果比较。(A) 不同模型检测结果比较;(B) 不同检测模型对穗类别的整体评估。
图6 玉米制种3个阶段中雄穗状态检测和评估结果。(A) 小穗阶段(Tassel-S类别在数量上占优势,尽管也有零星出现的Tassel-L类别);(B) 抽穗阶段(Tassel-L开始涌现);(C) 去雄后阶段(母本区域基本均为Tassel-N类别,父本行植株处于Tassel-S和Tassel-L阶段)。
北京市农林科学院信息技术研究中心杜建军研究员为第一作者兼通讯作者,西北农林科技大学硕士研究生李金瑞为并列第一作者,北京农林科学院信息技术研究中心郭新宇研究员和赵春江院士为论文的共同通讯作者。该研究得到了国家重点研发计划(2022YFD1900701)、黑龙江省“揭榜挂帅”科技攻关项目(20212XJ05A02)、北京市农林科学院协同创新中心建设项目(KJCX20230429)、国家自然科学基金(U21A20205)等项目的部分支持。
作者团队介绍
杜建军,北京市农林科学院信息技术研究中心研究员。研究领域:(1)作物多尺度表型技术与产品;(2)图像处理与人工智能;(3)生物力学仿真。招收机器视觉、遥感、地理信息和AI大数据方向的博士后、硕士研究生,同时欢迎客座学生的加入。
论文链接:
https://doi.org/10.34133/plantphenomics.0188
——推荐阅读——
https://doi.org/10.34133/plantphenomics.0199
Plant Phenomics | Point-Line Net:一种自上而下的田间玉米叶脉生长轨迹检测模型
Three-dimensional modelling of maize canopies based on computational intelligence
https://doi.org/10.34133/plantphenomics.0160
Plant Phenomics | 安徽大学联合北京市农林科学院信息技术研究中心提出了基于计算智能的玉米冠层三维建模方法
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
About Plant Phenomics
《植物表型组学》(Plant Phenomics)是由南京农业大学和美国科学促进会(AAAS)合作创办的英文学术期刊,于2019年1月正式上线发行。采用开放获取形式,刊载植物表型组学交叉学科热点领域具有突破性科研进展的原创性研究论文、综述、数据集和观点。具体范围涵盖高通量表型分析的最新技术,基于图像分析和机器学习的表型分析研究,提取表型信息的新算法,作物栽培、植物育种和农业实践中的表型组学新应用,与植物表型相结合的分子生物学、植物生理学、统计学、作物模型和其他组学研究,表型组学相关的植物生物学等。期刊已被DOAJ、Scopus、PMC、EI和SCIE等数据库收录。科睿唯安JCR2022影响因子为7.6,位于农艺学、植物科学、遥感一区。2023年中科院期刊分区位于农林科学大类一区。2020年入选中国科技期刊卓越行动计划高起点新刊项目、2024年入选江苏科技期刊卓越行动计划领军期刊项目。
说明:本文由《植物表型组学》编辑部负责组稿。
中文内容仅供参考,一切内容以英文原版为准。
特邀作者:杜建军
排版:许怡瑶(上海交通大学)
审核:孔敏、王平