稻穗是水稻的重要生殖器官，與產(chǎn)量密切相關(guān)。稻穗的生長發(fā)育離不開養(yǎng)分尤其是氮素的支撐。然而，獲取稻穗在抽穗開花期的表型信息仍然高度依賴于人工，缺乏氮肥對該時(shí)期精細(xì)表型的精準(zhǔn)評價(jià)，制約了水稻智能栽培的發(fā)展。因此我們需要突破傳統(tǒng)的研究手段，建立一個(gè)精準(zhǔn)、自動化的方法去觀察稻穗生長發(fā)育中的表型變化，并評價(jià)氮肥效應(yīng)。
 

2023年6月， Plant Phenomics 在線發(fā)表了南京農(nóng)業(yè)大學(xué)前沿交叉研究院等單位題為Analyzing Nitrogen Effects on Rice Panicle Development by Panicle Detection and Time-Series Tracking 的研究論文。
 

本文采用計(jì)算機(jī)視覺與深度學(xué)習(xí)相結(jié)合的方法，實(shí)現(xiàn)了稻穗識別與計(jì)數(shù)、抽穗期判定，并分析了不同氮肥處理下稻穗開花期精細(xì)表型變化。該方法首先利用YOLOv5模型實(shí)現(xiàn)稻穗檢測與計(jì)數(shù)（R2=0.96），并通過穗數(shù)的變化判定了水稻抽穗期，誤差在1天以內(nèi)。然后使用ResNet50網(wǎng)絡(luò)模型對稻穗開花狀態(tài)進(jìn)行分類，準(zhǔn)確鑒定出稻穗盛花狀態(tài)（Accuracy=0.96）。此外，我們以YOLOv5與DeepSORT結(jié)合的方式實(shí)現(xiàn)了對單個(gè)稻穗生長發(fā)育的定位追蹤。
 

圖1稻穗檢測、盛花稻穗識別以及稻穗追蹤技術(shù)流程圖

在整個(gè)抽穗開花期內(nèi)，用定位追蹤的方式精確到單個(gè)稻穗，計(jì)算了單穗的開花起始日期、開花持續(xù)天數(shù)、每日盛花時(shí)、盛花持續(xù)時(shí)間和日均盛花持續(xù)時(shí)間，詳細(xì)展現(xiàn)了稻穗發(fā)育的動態(tài)變化，這是現(xiàn)有的研究很少能做到的。

視頻1不同氮肥處理下稻穗追蹤結(jié)果示例

此外，我們將該方法應(yīng)用于不同的氮肥處理田間試驗(yàn)，從小區(qū)群體到個(gè)體的角度分析了不同氮肥處理下水稻在抽穗開花期內(nèi)的表型差異。研究發(fā)現(xiàn)對水稻群體而言，隨著施氮量的增加，一方面穗數(shù)增加，抽穗期變化不顯著，但持續(xù)天數(shù)略有延長；另一方面累積開花穗數(shù)增加，水稻開花起始日期提前，結(jié)束日期推遲，意味著花期變長。對單穗而言，施氮量越高，單穗開花起始日期越早，開花天數(shù)及盛花總持續(xù)時(shí)間顯著增加；而盛花開始時(shí)間差異不顯著，單日盛花持續(xù)時(shí)間略有下降。
 

通過我們提出方法所得出的結(jié)論與前人通過傳統(tǒng)手段得到的研究結(jié)果基本一致。本文提出的方法不但可以省去繁瑣耗時(shí)的人工觀測，還可以記錄更加準(zhǔn)確和全面的稻穗發(fā)育性狀。該方法為水稻栽培管理和育種提供了一種高效的表型提取與分析手段，也為未來水稻現(xiàn)代化生產(chǎn)提供了技術(shù)支撐。
 

本研究由南京農(nóng)業(yè)大學(xué)前沿交叉研究院聯(lián)合現(xiàn)代作物生產(chǎn)省部共建協(xié)同創(chuàng)新中心以及東京大學(xué)國際田間植物表型實(shí)驗(yàn)室共同完成。南京農(nóng)業(yè)大學(xué)在讀博士生周欽陽為本文第一作者，南京農(nóng)業(yè)大學(xué)穆悅講師和二宮正士教授為本文通訊作者。本研究得到了江蘇省種業(yè)振興揭榜掛帥項(xiàng)目、海南省崖州灣種子實(shí)驗(yàn)室、國家重點(diǎn)研發(fā)計(jì)劃項(xiàng)目的資助。
 

論文鏈接：
https://doi.org/10.34133/plantphen‍omics.0048

本研究所提出的技術(shù)分享于Github
https://github.com/Kyangzhou/data

——推薦閱讀——
From Prototype to Inference: A Pipeline to Apply Deep Learning in Sorghum Panicle Detection
https://doi.org/10.34133/plantphenomics.0017
Plant Phenomics | 從原型到推理：深度學(xué)習(xí)在高粱穗部檢測中的應(yīng)用
Semi-Self-Supervised Learning for Semantic Segmentation in Images with Dense Patterns
https://doi.org/10.34133/plantphenomics.0025
Plant Phenomics | 密集模式下圖像語義分割的半自監(jiān)督學(xué)習(xí)

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(diǎn)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(diǎn)。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(shí)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(jì)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6.5，位于農(nóng)藝學(xué)、植物科學(xué)、遙感一區(qū)。中科院農(nóng)藝學(xué)、植物科學(xué)一區(qū)、遙感二區(qū)、生物大類一區(qū)（TOP期刊）。2020年入選中國科技期刊卓越行動計(jì)劃高起點(diǎn)新刊項(xiàng)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：周欽陽（南京農(nóng)業(yè)大學(xué)）
排版：向雪薇（南京農(nóng)業(yè)大學(xué)）
審核：孔敏、王平