在水稻育种过程中，小区的单位面积穗数是产量构成四要素之一，在遗传增益、产量形成等方面起着非常重要的作用，传统单位面积穗数需要人工抽样调查，不仅费时费力，还存在主观误差。因此，准确高效量化单位面积穗数对培育高产水稻品种至关重要。以往的研究基于贴近冠层的固定观测平台或无人机平台，通过这些方法得到冠层图像效率低，且图像处理流程复杂，还需要人工进行图像裁剪和标注。

2024年10月，Plant Phenomics在线发表了浙江大学题为Phenotyping of Panicle Number and Shape in Rice Breeding Materials Based on Unmanned Aerial Vehicle Imagery的研究论文。

本研究旨在开发一种基于无人机图像的全自动化、高通量的田块分割和稻穗计数方法，同时对不同稻穗进行弯曲度分类，为育种学家提供数字化的稻穗表型信息。首先，本研究于15m高度拍摄水稻冠层图像，图像拼接后使用基于Mask R-CNN的田块边界自动识别算法Plot-Seg将大田图像分割成小区尺度的子图，并根据齐穗-成熟时间将其分为3个生长阶段，而后根据集成多路径Transformer的稻穗识别网络Panicle-ViT准确检测单位面积稻穗数目。此外，使用Res2Net50模型对 0°、15°、45° 和 90° 四种角度的稻穗进行了分类。

结果表明，Plot-Seg的性能与人工分割接近，在全数据集上，Panicle-ViT的识别表现优于传统Mask R-CNN，AP50提高了3.5% 至20.5%，稻穗计数也取得了优异的性能，R2为0.73，RMSE为28.3，整体穗型分类准确率达到94.8%。研究工作实现了从小区分割到单位面积穗数预测的全流程自动化分析，为加速水稻育种材料的筛选提供关键技术支撑。

图1小区田块分割流程图

图2 Panicle-ViT架构图

图3 小区穗数预测大田分布图

浙江大学生物系统工程与食品科学学院博士研究生陆旭琦为该论文第一作者，岑海燕教授为该论文通讯作者。浙江大学教授舒庆尧、博士后谢嘉扬、博士生沈煜韬、杨鑫，中国水稻研究所副研究员陈松等参与了研究工作。研究得到国家重点研发计划项目、浙江省重点研发计划项目以及中央高校基本科研业务费的资助。

论文链接：

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

——推荐阅读——

Characterization and Identification of NPK Stress in Rice Using Terrestrial Hyperspectral Images 

https://doi.org/10.34133/plantphenomics.019‍7‍

Plant Phenomics | 东北农业大学利用近端成像光谱对水稻NPK胁迫进行特征化及鉴别

A High-Throughput Method for Accurate Extraction of Intact Rice Panicle Traits 

https://doi.org/10.34133/plantphenomics.0213

Plant Phenomics | 华中农业大学作物表型团队开发了一种高效准确测量未经整形的水稻稻穗表型方法

加入作者交流群