小麦,身为重要的粮食作物,其品种的培育成为缓解粮食危机的重要途径之一。麦穗作为小麦生殖器官,直接决定着其产量,因此基于穗部表型性状的小麦理想株型筛选至关重要。近年来,激光雷达技术的飞速发展为小麦穗部表型特征提取提供了理想数据源。然而,小麦植株体积小、冠层同质性强、器官特征差异不明显,这导致了麦穗表型性状提取的困难,制约着麦穗表型性状与小麦产量关系研究的深入与应用。
在中国科学院植物研究所苏艳军研究组与南京农业大学金时超团队的共同努力下,一项包含120个品种的田间小麦地基激光雷达数据集得以构建。更有甚者,他们提出了一种海量麦穗标记数据集构建方法,开发出结合深度学习和几何修正算法的麦穗自动识别与分割算法,成功实现了田间小麦麦穗的自动高效提取。据实测数据对比,该算法的麦穗识别精度可达87.17%,个体分割精度为84.62%。
基于麦穗个体分割结果,研究团队进一步提出了麦穗表型性状自动提取算法。这一算法能够高精度估算出穗密度、穗长、穗宽、弯曲度、穗倾角、穗高、穗面积、穗体积等多种关键麦穗表型参数。此外,除了传统易测量的麦穗表型性状,该研究还获取了传统难以测量的麦穗表型性状数据,这些数据对小麦产量有着显著影响,并且能够有效区分不同小麦品种之间的差异。
这一研究成果的在线发表在IEEE Transactions on Geoscience and Remote Sensing上,凭借中国科学院战略性先导科技专项和国家自然科学基金的支持,得到了新疆大学、石河子大学、南京农业大学和香港大学等科研机构的积极参与。
这项革命性的高通量无损麦穗表型提取方法为小麦育种周期的加速提供了潜力。它不仅验证了麦穗表型在小麦理想株型筛选中的关键作用,而且为未来小麦育种领域的发展开辟了新的可能性。
基于深度学习与几何校正的麦穗分割算法