小麦育种使小麦具有更好的环境抗性和更高的产量潜力。实验育种系是根据其产量潜力进行评估的，其中单位面积穗数和穗粒数的量化是评估的关键。本研究介绍了SPINEL (SPIke and kerNEL)框架，该框架结合了无人机(UAV)捕获的多光谱成像和田间获取的RGB相机成像，用于小麦穗和籽粒量化。这种方法利用了YOLOv8模型，每个模型都针对特定的检测任务进行了定制。第一个模型检测无人机捕获的多光谱图像中的地块，其平均精度(mAP)得分为95%，而第二个模型经过训练，可以检测同一数据集中的麦穗数，其mAP得分为86%。第三个模型以85%的mAP分数检测现场捕获的RGB图像中的小麦穗和籽粒。前两个模型有助于估计每个地块的穗密度。第三个模型提供了每个独特的育种品种穗粒的估计数量。每个小区的穗数和单穗粒数作为关键的量化指标。SPINEL框架利用多光谱图像的地理位置信息，并将这些指标与田间育种系联系起来。这种集成提供了一个清晰的可视化的小区穗数和平均粒数。SPINEL为小麦育种提供了精确、自动化的表型分析解决方案，有望在作物改良策略方面取得重大进展。
图1 该图由四个不同的部分组成，每个部分都有助于理解研究背景。(a)显示加拿大地图，突出显示萨斯喀彻温省，以提供地理环境的概述。(b)重点关注萨斯喀彻温省的农业和农业食品加拿大-印度首席研究农场(IHRF)。在更详细的层面上，(c)描绘了一个小麦微型地块，提供了栽培植被的近距离视图。最后，(d)提供了试验田的扩展视图，为所调查的农业景观提供了更广阔的视角。
图2 田间观测的对比视图(a)实验场小区：正在研究的实验场的可视化表示，为研究提供背景；(b)安装在无人机上的多光谱相机捕获的波段：安装在无人机上的相机捕获了多光谱波段，提供了对该领域光谱组成的详细见解。(c)田间移动相机图像：田间移动相机拍摄的图像为研究提供了额外的视角和背景。
图3 这些图像突出了传统RGB图像和RedEdge-Blue-Green组合(421-RGB)之间的差异，有助于峰值检测的准确性。(a) RGB图像-标准的RGB现场图表示。(b)重边缘-绿-蓝组合:由重边缘、绿色和蓝色带(421条带)组成的可选颜色组合。
图4 该图展示了说明标注过程的五个组成部分。(a)现场相机RGB图像。(b)标记对象:红框突出麦穗，蓝框突出籽粒。(c) 421-RGB图像，放大部分以提高清晰度。(d)绘图标签。(e)为清晰起见，小麦穗标签的放大部分。
图5 SPINEL框架概述，说明小麦穗和籽粒的检测和计数步骤。该框架处理两个数据集：多光谱无人机图像和基于移动相机的RGB图像。无人机图像经过对准、配准、波段组合后再进行手动标注，RGB图像直接标注。这就产生了用于逐点分析的Spike Dataset和用于通过各自训练模型进行逐点分析的Kernel Dataset。
图6 该图显示了用于逐场点检测的四个样本。(a)和(c)是原始的野外图像，(b)和(d)分别是(a)和(c)的后处理版本。这些后处理样本显示检测到的小区和麦穗数。
图7 该图显示了由Kernel Per Spike Detection Model生成的三个预测样本(a-c)。每个样本都展示了该模型在不同密度的农田图像中检测麦穗和籽粒的能力。样本(a)显示单个麦穗，样本(b)显示两个麦穗，样本(c)显示三个麦穗。对于每个样本，将显示包含麦穗和籽粒的检测框。
图8 一个田块的马赛克，展示了我们的模型预测分析的最后一步。马赛克中的每个图都用三个关键值标记:图ID、每个图的穗数和每个穗的平均核数。马赛克的放大部分突出显示了这些值，以便更清晰地看到，从而直观地了解整个田地的作物产量组成部分的空间分布和变异性。
A. Mohammed, N. Ali, A. Bais, Y. Ruan, R. D. Cuthbert and J. S. Sangha, From Fields to Pixels: UAV Multispectral and Field-Captured RGB Imaging for High-Throughput Wheat Spike and Kernel Counting, IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing.
编辑
王春颖
扩展阅读
