玉米雄穗狀態(tài)識別與鑒定新方案助力提升玉米制種整體質(zhì)量和效率

Plant Phenomics | 北京市農(nóng)林科學(xué)院提出了玉米雄穗狀態(tài)識別與鑒定的新方案

玉米制種田中雄穗狀態(tài)不僅是玉米生長發(fā)育階段的重要指標(biāo)，更直接反映了去雄作業(yè)的效果。準(zhǔn)確監(jiān)測雄穗狀態(tài)對于確定去雄方式、把握最佳去雄時機(jī)以及篩查遺漏的母本雄穗等關(guān)鍵環(huán)節(jié)起著決定性作用。然而，目前制種員主要依賴田間巡查和經(jīng)驗判斷，這種方法往往存在信息不全面等局限性。此外，現(xiàn)有的雄穗檢測模型多針對特征明顯的成熟雄穗，難以準(zhǔn)確識別未露頭雄穗或去雄后的植株。

為解決這些問題，北京市農(nóng)林科學(xué)院信息技術(shù)研究中心的杜建軍研究團(tuán)隊提出了一套創(chuàng)新的玉米制種田雄穗狀態(tài)評估技術(shù)方案。該方案結(jié)合了低成本、高效率和靈活性的無人機(jī)技術(shù)，實現(xiàn)了高通量的田間監(jiān)測；通過人工智能技術(shù)高效解析無人機(jī)采集的影像數(shù)據(jù)，能夠快速提取和分析制種田內(nèi)雄穗的生長發(fā)育狀態(tài)。通過采用數(shù)據(jù)標(biāo)注、檢測模型的優(yōu)化選擇以及分塊模式評估等一系列先進(jìn)策略，實現(xiàn)了對制種田玉米雄穗狀態(tài)的精準(zhǔn)檢測，為一線制種員提供了直接技術(shù)支持，有望顯著提升玉米制種的整體質(zhì)量和效率。

2024年6月，Plant Phenomics在線發(fā)表了北京市農(nóng)林科學(xué)院信息技術(shù)研究中心題為Detection and Identification of Tassel States at Different Maize Tasseling Stages Using UAV Imagery and Deep Learning 的研究論文。

本研究針對玉米制種田父母本雄穗狀態(tài)檢測與鑒定的實際需求，提出一套適用于抽雄期前后復(fù)雜場景的雄穗狀態(tài)識別和鑒定方法，主要包括創(chuàng)新性工作：首先，提出了融合多階段雄穗特征的數(shù)據(jù)標(biāo)注和增強策略；其次，構(gòu)建了系列基礎(chǔ)數(shù)據(jù)集并通過基準(zhǔn)測試優(yōu)化了檢測模型架構(gòu)和超參數(shù)；最后，提出了基于無人機(jī)影像分塊模式的數(shù)據(jù)定量測試方法。實驗結(jié)果表明，該方法在準(zhǔn)確識別玉米抽雄期前后植株雄穗狀態(tài)方面表現(xiàn)出色，基于增強數(shù)據(jù)優(yōu)化的檢測模型在所有類別中實現(xiàn)了平均94.5%的檢測精度，而采用分塊策略的優(yōu)化模型組合可將準(zhǔn)確率提升至98%。

圖1 玉米雄穗狀態(tài)及其檢測與鑒定流程. (A) 基于人工標(biāo)注的NSL-A數(shù)據(jù)集；(B) 評估標(biāo)注邊界框尺寸；(C) 基于尺寸調(diào)整后的NSL-B數(shù)據(jù)集；(D) 評估不同的網(wǎng)絡(luò)架構(gòu)和超參；(E) 數(shù)據(jù)增強后的NSL-C數(shù)據(jù)集；(F) 選擇檢測模型；(G) 基于測試數(shù)據(jù)集的結(jié)果；(H) 不同圖像分塊模式下識別雄穗狀態(tài)。其中，A1、A2和A3為3個雄穗類別的代表樣本。

圖2 通過評估檢測模型的準(zhǔn)確性來確定標(biāo)注目標(biāo)邊框大小。(A) 以50像素為增量；(B) 以10像素為增量。

圖3 基于FLOPs、參數(shù)量、效率(FPS)和準(zhǔn)確性(mAP@0.5)指標(biāo)對目標(biāo)檢測模型進(jìn)行評估。

圖4 基于NSL-C數(shù)據(jù)集評估不同參數(shù)規(guī)模的RTMDet模型。

圖5 基于NSL-T測試數(shù)據(jù)集的3個穗類別檢測結(jié)果比較。(A) 不同模型檢測結(jié)果比較；(B) 不同檢測模型對穗類別的整體評估。

圖6 玉米制種3個階段中雄穗狀態(tài)檢測和評估結(jié)果。(A) 小穗階段(Tassel-S類別在數(shù)量上占優(yōu)勢，盡管也有零星出現(xiàn)的Tassel-L類別)；(B) 抽穗階段(Tassel-L開始涌現(xiàn))；(C) 去雄后階段(母本區(qū)域基本均為Tassel-N類別，父本行植株處于Tassel-S和Tassel-L階段）。

北京市農(nóng)林科學(xué)院信息技術(shù)研究中心杜建軍研究員為第一作者兼通訊作者，西北農(nóng)林科技大學(xué)碩士研究生李金瑞為并列第一作者，北京農(nóng)林科學(xué)院信息技術(shù)研究中心郭新宇研究員和趙春江院士為論文的共同通訊作者。該研究得到了國家重點研發(fā)計劃（2022YFD1900701）、黑龍江省“揭榜掛帥”科技攻關(guān)項目（20212XJ05A02）、北京市農(nóng)林科學(xué)院協(xié)同創(chuàng)新中心建設(shè)項目（KJCX20230429）、國家自然科學(xué)基金（U21A20205）等項目的部分支持。

作者團(tuán)隊介紹

杜建軍，北京市農(nóng)林科學(xué)院信息技術(shù)研究中心研究員。研究領(lǐng)域：（1）作物多尺度表型技術(shù)與產(chǎn)品；（2）圖像處理與人工智能；（3）生物力學(xué)仿真。招收機(jī)器視覺、遙感、地理信息和AI大數(shù)據(jù)方向的博士后、碩士研究生，同時歡迎客座學(xué)生的加入。

論文鏈接：
‍https://doi.org/10.34133/plantphenomics.0188

——推薦閱讀——
Recognition and Localization of Maize Leaf and Stalk Trajectories in RGB Images Based on Point-Line Net 
https://doi.org/10.34133/plantphenomics.0199
Plant Phenomics | Point-Line Net：一種自上而下的田間玉米葉脈生長軌跡檢測模型
Three-dimensional modelling of maize canopies based on computational intelligence
https://doi.org/10.34133/plantphenomics.0160
Plant Phenomics | 安徽大學(xué)聯(lián)合北京市農(nóng)林科學(xué)院信息技術(shù)研究中心提出了基于計算智能的玉米冠層三維建模方法

加入作者交流群
掃碼添加小編微信，拉您進(jìn)入《植物表型組學(xué)》作者交流群，群內(nèi)不定期開展作者分享會、�？�發(fā)布會等高質(zhì)量活動。

添加小編微信，備注姓名+單位+PP，加入作者交流群

About Plant Phenomics

《植物表型組學(xué)》（Plant Phenomics）是由南京農(nóng)業(yè)大學(xué)和美國科學(xué)促進(jìn)會（AAAS）合作創(chuàng)辦的英文學(xué)術(shù)期刊，于2019年1月正式上線發(fā)行。采用開放獲取形式，刊載植物表型組學(xué)交叉學(xué)科熱點領(lǐng)域具有突破性科研進(jìn)展的原創(chuàng)性研究論文、綜述、數(shù)據(jù)集和觀點。具體范圍涵蓋高通量表型分析的最新技術(shù)，基于圖像分析和機(jī)器學(xué)習(xí)的表型分析研究，提取表型信息的新算法，作物栽培、植物育種和農(nóng)業(yè)實踐中的表型組學(xué)新應(yīng)用，與植物表型相結(jié)合的分子生物學(xué)、植物生理學(xué)、統(tǒng)計學(xué)、作物模型和其他組學(xué)研究，表型組學(xué)相關(guān)的植物生物學(xué)等。期刊已被DOAJ、Scopus、PMC、EI和SCIE等數(shù)據(jù)庫收錄�？祁Ｎò睯CR2022影響因子為7.6，位于農(nóng)藝學(xué)、植物科學(xué)、遙感一區(qū)。2023年中科院期刊分區(qū)位于農(nóng)林科學(xué)大類一區(qū)。2020年入選中國科技期刊卓越行動計劃高起點新刊項目、2024年入選江蘇科技期刊卓越行動計劃領(lǐng)軍期刊項目。

說明：本文由《植物表型組學(xué)》編輯部負(fù)責(zé)組稿。
中文內(nèi)容僅供參考，一切內(nèi)容以英文原版為準(zhǔn)。
特邀作者：杜建軍
排版：許怡瑤（上海交通大學(xué)）
審核：孔敏、王平