欧亚国际

在面向开发新品种的植物育种项目中，研究者会依赖产量测试来指导新品种的选择和决策。在育种项目中，一个不可或缺的环节是在分布于不同地区的大量小区中种植并收获目标作物，这个环节需要分配大量的资金和资源，因而是育种项目的主要经济负担。在后续的分析中，为了扩大所需的遗传变异，需要评估数以万计的基因型的产量。因此，对产量的准确测量或预测的需求正推动研究人员不断开发更先进的基因组学或表型组学工具。

目前已有一些研究从计算机视觉和机器学习角度对作物产量进行了预测。基于计算机视觉的方法主要是面向果树等体型较大的作物而构建，这类作物采集到的图像背景往往较整洁，且果实的遮挡也较少；基于机器学习的方法往往是融合高维表型性状数据对产量进行预测，或是将天气和基因型数据相结合来构建深度时间序列注意力模型，然而这些方法难以在各种不同规模、地区和作物的育种项目中实现通用。此外，使用可见光相机图像估计植物的生殖器官和种子产量是一种较少被探索的方向，如果将相机成像与自动化田间机器人系统相结合，育种家们将可以直接估算小区种子产量，以更有效的方式做出育种决策。

近日，Plant Phenomics在线发表了题为Deep Multiview Image Fusion for Soybean Yield Estimation in Breeding Applications的研究论文。

在该文章中，作者提出了一种适用于大豆豆荚计数的机器学习方法，用于根据田间机器人采集到的视频数据(Figure 3)对各基因型种子产量的等级进行预估。作者使用深度学习方法开发了一个基于多角度图像的产量预估程序，融合不同角度采集的作物图像以估计产量(Figure 5)，并对各基因型排序，最终用于育种决策。文章对比了程序和人工对豆荚计数和产量估计的结果(Figure 6)，证明了所开发程序的有效性。该文的结果证明了基于机器学习模型的程序可显著减少时间和人力成本，在助力育种决策方面有很好的前景，并有望开辟新的育种方法。

论文链接

http://spj.sciencemag.org/journals/plantphenomics/2021/9846470/

——推荐阅读——

Soybean Root System Architecture Trait Study through Genotypic, Phenotypic, and Shape-Based Clusters

http://spj.sciencemag.org/journals/plantphenomics/2020/1925495/

Plant Phenomics | 通过对大豆根系的基因、表型及根形进行聚类分析来研究根系构型特征

Machine Learning-Based Presymptomatic Detection of Rice Sheath Blight Using Spectral Profiles

http://spj.sciencemag.org/journals/plantphenomics/2020/8954085/

Plant Phenomics | 使用光谱特征和机器学习检测水稻纹枯病的发病先兆