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量和效率

Plant Phenomics | 北京市農(nóng)林科學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，更直接反映了去雄作業(yè)的效果。準確監(jiān)測雄穗狀態(tài)對于確定去雄方式、把握最佳去雄時機以及篩查遺漏的母本雄穗等關鍵環(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)林科學院信息技術研究中心的杜建軍研究團隊提出了一套創(chuàng)新的玉米制種田雄穗狀態(tài)評估技術方案。該方案結合了低成本、高效率和靈活性的無人機技術，實現(xiàn)了高通量的田間監(jiān)測；通過人工智能技術高效解析無人機采集的影像數(shù)據(jù)，能夠快速提取和分析制種田內雄穗的生長發(fā)育狀態(tài)。通過采用數(shù)據(jù)標注、檢測模型的優(yōu)化選擇以及分塊模式評估等一系列先進策略，實現(xiàn)了對制種田玉米雄穗狀態(tài)的精準檢測，為一線制種員提供了直接技術支持，有望顯著提升玉米制種的整體質量和效率。

2024年6月，Plant Phenomics在線發(fā)表了北京市農(nóng)林科學院信息技術研究中心題為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)標注和增強策略；其次，構建了系列基礎數(shù)據(jù)集并通過基準測試優(yōu)化了檢測模型架構和超參數(shù)；最后，提出了基于無人機影像分塊模式的數(shù)據(jù)定量測試方法。實驗結果表明，該方法在準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) 基于人工標注的NSL-A數(shù)據(jù)集；(B) 評估標注邊界框尺寸；(C) 基于尺寸調整后的NSL-B數(shù)據(jù)集；(D) 評估不同的網(wǎng)絡架構和超參；(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確性來確定標注目標邊框大小。(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)和準確性(mAP@0.5)指標對目標檢測模型進行評估。

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個穗類別檢測結果比較。(A) 不同模型檢測結果比較；(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)林科學院信息技術研究中心杜建軍研究員為第一作者兼通訊作者，西北農(nóng)林科技大學碩士研究生李金瑞為并列第一作者，北京農(nóng)林科學院信息技術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”科技攻關項目（20212XJ05A02）、北京市農(nóng)林科學院協(xié)同創(chuàng)新中心建設項目（KJCX20230429）、國家自然科學基金（U21A20205）等項目的部分支持。

作者團隊介紹

杜建軍，北京市農(nóng)林科學院信息技術研究中心研究員。研究領域：（1）作物多尺度表型技術與產(chǎn)品；（2）圖像處理與人工智能；（3）生物力學仿真。招收機器視覺、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 | 安徽大學聯(lián)合北京市農(nóng)林科學院信息技術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，拉您進入《植物表型組學》作者交流群，群內不定期開展作者分享會、專刊發(fā)布會等高質量活動。

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》（Plant Phenomics）是由南京農(nóng)業(yè)大學和美國科學促進會（AAAS）合作創(chuàng)辦的英文學術期刊，于2019年1月正式上線發(fā)行。采用開放獲取形式，刊載植物表型組學交叉學科熱點領域具有突破性科研進展的原創(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，基于圖像分析和機器學習的表型分析研究，提取表型信息的新算法，作物栽培、植物育種和農(nóng)業(yè)實踐中的表型組學新應用，與植物表型相結合的分子生物學、植物生理學、統(tǒng)計學、作物模型和其他組學研究，表型組學相關的植物生物學等。期刊已被DOAJ、Scopus、PMC、EI和SCIE等數(shù)據(jù)庫收錄。科睿唯安JCR2022影響因子為7.6，位于農(nóng)藝學、植物科學、遙感一區(qū)。2023年中科院期刊分區(qū)位于農(nóng)林科學大類一區(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軍期刊項目。

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