考种是作物育种过程中一个必不可少的环节。通过考种，可以筛选出高产、优质、高抗的优良品种，从而提高作物的产量和品质。传统的考种方法往往需要田间取样，经过一系列处理后在实验室完成，非常费时费力，且精度也有限。为此本团队提出了一种面向智能手机环绕拍摄视频流的田间水稻原位考种技术，突破了稻穗复杂背景去除、稻穗三维模型高质量重建和稻穗点云模型解析等多项关键技术。实验结果显示，我们提出的方法PanicleNeRF在二维图像分割任务上表现优异，平均F1分数达到了86.9%，平均交并比为79.8%，在边界重叠（BO）性能上明显优于YOLOv8。在点云质量方面，PanicleNeRF的表现也优于传统的运动恢复结构（SfM）和多目立体视觉（MVS）方法，如COLMAP和Metashape。在表型解析方面，稻穗长度的提取准确率在籼稻和粳稻上分别达到了2.94%和1.75%的相对均方根误差。通过三维点云估算的稻穗体积与籽粒数量呈现良好相关性，其中籼稻的R²值可达0.85，粳稻为0.82；同时，与穗粒总质量也呈现良好相关性，籼稻的R²值为0.80，粳稻为0.76。该方法为水稻田间高通量表型分析提供了一种低成本的解决方案，有望辅助提高水稻育种的效率。

2024年12月，Plant Phenomics 在线发表了浙江大学生物系统工程与食品科学学院题为PanicleNeRF: Low-Cost, High-Precision In-Field Phenotyping of Rice Panicles with Smartphone的研究论文。

图1PanicleNeRF方法流程图

图2 代表性稻穗与标签牌三维点云模型示意图

图3 籼稻(A)与粳稻(B)的预测穗长与实测穗长之间的相关分析

图4 籼稻与粳稻预测穗体积与实测粒数及籽粒质量的相关分析。(A) 籼稻预测体积与实测粒数。(B) 粳稻预测体积与实测粒数。(C) 籼稻预测体积与实测籽粒质量。(D) 粳稻预测体积与实测籽粒质量。

浙江大学生物系统工程与食品科学学院博士研究生杨鑫为该论文第一作者，岑海燕教授为该论文通讯作者。浙江大学副教授方慧、博士生陆旭琦、谢鹏尧、郭子越，嘉兴市农业科学研究院院长富昊伟，袁隆平农业高科技股份有限公司科研骨干胡小淳、孙振彪等参与了研究工作。研究得到中央高校基本科研业务费、浙江省重点研发计划以及浙江大学全球伙伴计划基金的资助。

论文链接：

https://doi.org/10.34133/plantphenomic‍s.0279

——推荐阅读——

Maturity classification of rapeseed using hyperspectral image combined with machine learning

https://doi.org//10.34133/plantphenomics.0139

Plant Phenomics | 华中农业大学基于高光谱图像与机器学习对油菜籽的成熟度进行分类研究

Grain Protein Content Phenotyping in Rice via Hyperspectral Imaging Technology and a Genome-Wide Association Study

https://doi.org/10.34133/plantphenomics.0200

Plant Phenomics | 南京农业大学联合江苏省农业科学院基于成像高光谱技术和GWAS分析的水稻籽粒蛋白质含量表型研究

加入作者交流群