早期生长势（Early Vigor）是刻画作物苗期地上部生长活力的综合性状，与品种适应性和产量潜力密切相关。利用现代植物表型高通量检测装备和智能化解析技术，监测苗期作物叶片数量的动态变化有助于解析早期生长势相关性状。现阶段，人工智能算法极大提高了表型鉴定的准确性和效率。然而，算法严重依赖大量人工标注的训练样本，尤其在作物苗期，器官纤细，标注成本高、误差大，成为限制人工智能算法在早期生长监测应用中的重要瓶颈。

面向早期生长势高效精准解析难题，文章以小麦为研究对象，结合三维作物模型和域自适应迁移学习，开辟基于虚拟数据集的表型算法研发新途径，对于完善小麦表型组研究方法，提升基于早期生长势的育种效率具有重要价值。

2023年3月，Plant Phenomics在线发表了南京农业大学联合多家单位合作完成的题为Self-Supervised Plant Phenotyping by Combining Domain Adaptation with 3D Plant Model Simulations: Application to Wheat Leaf Counting at Seedling Stage 的研究论文。

文章利用三维生长模型与域自适应迁移学习，实现无需人工标注的自监督表型算法研发。提出利用内嵌植物生理机理知识的三维作物生长模型开展多品种的虚拟表型试验，生成不同生育期小麦冠层结构，研究田间小麦虚拟图像自动生成方法；进而，综合利用光线跟踪算法研究田间小麦虚拟图像中相应的植物器官标签自动生成方法，构建覆盖多个关键生育期的带标签高质量训练数据集。

图1利用数字植物表型平台（D3P）模拟田间小麦图像。从左到右，通过使用D3P在模拟过程中考虑越来越多的因素（上栏），模拟的图像会变得越来越真实（下栏）

进一步，文章以自动生成的虚拟图像为源域，田间获取的真实图像数据为目标域，进行样本对抗的域自适应迁移学习；基于迁移学习结果，训练目标检测（监测叶片数量）深度学习模型，并对监测结果进行验证。

图2域自适应后的图像数据。在保证模拟图像结构不变的前提下，生成了更接近真实图像的“Sim2real”数据集。

此外，文章提出的叶尖检测模型在来自包括中国、澳大利亚、法国、日本和美国等五个国家的独立测试集上进行了测试，模型能够有效监测图像中的小麦叶片数量（R2=0.96），充分体现了该方法的有效性和鲁棒性。

图3来自全球范围内不同国家图像的独立测试结果

该研究由南京农业大学前沿交叉研究院PheniX Lab联合来自全球范围内5个国家7个单位的相关学者合作完成，包括华中科技大学、东京大学、昆士兰大学、内布拉斯加大学林肯分校和法国农业食品环境研究院。南京农业大学钟山青年研究员李英伦为本文第一作者，南京农业大学刘守阳教授和华中科技大学陆昊副教授为本文通信作者。相关工作得到了科技部政府间国际科技创新合作重点专项、“十四五”重点研发计划、国家自然科学基金和江苏省卓越博士后计划等项目的资助。

论文链接：

https://doi.org/10.34133/plantphenomics.0041

——推荐阅读——

3dCAP-Wheat: An Open-Source Comprehensive Computational Framework Precisely Quantifies Wheat Foliar, Nonfoliar, and Canopy Photosynthesis

https://doi.org/10.34133/2022/9758148

Plant Phenomics | 基于整合叶片与非叶片组织光合作用的三维冠层模型精确刻画小麦群体光合

Repeated Multiview Imaging for Estimating Seedling Tiller Counts of Wheat Genotypes Using Drones

https://doi.org/10.34133/2020/3729715

Plant Phenomics | 使用无人机多视角成像技术估算小麦幼苗分蘖数