欧亚国际

水稻穗部性状是衡量产量潜力和种质资源质量的重要指标。然而，这些性状的测量主要采用人工方式，且通常需要脱粒，不仅费力费时，而且容易产生测量误差。因此，亟需一种无需人工干预便能高效准确提取稻穗相关表型性状的方法。

2024年8月， Plant Phenomics 在线发表了华中农业大学作物表型团队题为A High-Throughput Method for Accurate Extraction of Intact Rice Panicle Traits 的研究论文。

本研究介绍了一种高通量、无损测量方法EOPT（extraction of panicle traits）以高效、精确的提取稻穗表型，包括单穗粒数、粒长、粒宽和穗长。该方法无需对稻穗进行脱粒和人工整形，其图像采集场景如图1所示。EOPT的整体技术流程如图2所示，首先定义穗型指数（PMI），以量化稻穗籽粒相互遮挡程度。根据 PMI 对直接测得的穗粒数进行校准，可显著提高粒数检测的准确性。其次，为了测量谷粒的长度和宽度，检测过程中采用0.8 的IoU阈值和 0.7 的置信度阈值（Conf）来筛选并分割出图像中较为完整的籽粒，并计算这些谷粒粒长和粒宽的平均值来代表稻穗籽粒的长度和宽度。此外，该方法还使用 Astar 算法提取了水稻圆锥花序骨架的主路径，以确定稻穗长度。在 1554 个稻穗图像的数据集上进行的验证证明了方法的有效性，所提方法对单穗籽粒计数的平均准确率达到 93.57%，平均绝对百分比误差 (MAPE) 为 6.62%。籽粒长度（96.83%）和稻穗长度（97.13%）的测量准确率也较高。此外，利用该方法获得的稻穗表型数据和基因型数据进行了全基因组关联研究（GWAS），可确定与籽粒长度、宽度、单穗粒数和穗长相关的单核苷酸多态性（SNPs），进一步强调了该方法在水稻育种研究方面的作用和潜力。

图1 图像采集场景

图2 EOPT的工作流程图。(A) 图像预处理。(B) 穗粒数测量模块。(C) 穗长提取模块。(D) 粒长和粒宽提取模块

图3 EOPT 的验证结果。(A1) 室内的穗粒数检测。(A2) 田间的穗粒数检测。(B1) 室内谷粒长度检测。(B2) 田间谷粒长度检测。(C1) 室内粒长检测。(C2) 田间粒长检测。(D1) 室内粒宽检测。(D2) 田间粒宽检测。

图4 GWAS 结果的曼哈顿图（左）和量子图（右）。(a) 谷粒长度。(b)粒数。(c) 谷粒宽度。(d) 穗长

本研究展示了一种新的稻穗表型提取方法，该方法不需要对稻穗进行脱粒和人工整形，能够准确、高效的提取稻穗表型，为水稻育种和表型研究提供了一种有效、可靠的工具。

华中农业大学作物表型团队主要从事作物表型组高通量获取、智能精准解析及作物育种应用等交叉研究。团硕士生孙健和任政威为共同第一作者，杨万能教授及宋鹏副教授为本文共同通讯作者。本研究得到国家重点研发计划、国家自然科学基金、湖北省农业核心攻关项目、湖北省种业高质量发展支撑项目支持。

论文链接：

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

——推荐阅读——

AISOA-SSformer: An effective image segmentation method for rice leaf disease based on Transformer architecture

‍http://doi.org/10.34133/plantphenomics.0218‍

Plant Phenomics | 中南林业科技大学周国雄教授团队基于AISOA-SSformer的有效水稻叶病图像分割方法

Rice Plant Counting, Locating and Sizing Method Base on High-throughput UAV RGB Images

‍http://doi.org/10.34133/plantphenomics.0020‍

Plant Phenomics ESI高被引论文 | 基于高通量无人机RGB图像的水稻植株计数、定位和大小估计方法