欢迎您来到博普特科技官方网站!

土壤仪器电话

010-82794912

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 | 浙江大学岑海燕教授团队基于智能手机与神经辐射场的田间稻穗表型低成本高精度解析

发表时间:2024-12-23 10:13:27点击:4

来源:植物表型组学

分享:

1734919858656260.png

1734919870137587.png

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。

1734919895495539.png

图1PanicleNeRF方法流程图

1734919920698600.png

图2 代表性稻穗与标签牌三维点云模型示意图

1734919933339173.png

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

1734919946647438.png

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

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。

1662096989509323.png

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JCR2023影响因子为7.6,位于农艺学一区(1/125名),植物科学一区(13/265名),遥感一区(6/62名)。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、中国科技期刊卓越行动计划二期英文梯队期刊。

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:杨鑫

排版:王平、张婕(上海交通大学)

审核:尹欢、孔敏

  • 土壤仪器品牌德国steps
  • 土壤仪器品牌奥地利PESSL
  • 土壤仪器品牌荷兰MACView
  • 土壤仪器品牌德国INNO_Concept
  • 土壤仪器品牌比利时WIWAM
  • 土壤仪器品牌德国GEFOMA
  • 土壤仪器品牌奥地利schaller
  • 土壤仪器品牌荷兰PhenoVation
  • 土壤仪器品牌法国Hi-phen系统
  • 土壤仪器品牌Videometer
  • 土壤仪器品牌比利时INDUCT(OCTINION)
  • 土壤仪器品牌美国EGC
  • 土壤仪器品牌HAIP
  • 土壤仪器品牌植物遗传资源学报