水稻穗部性状是衡量产量潜力和种质资源质量的重要指标。然而，这些性状的测量主要采用人工方式，且通常需要脱粒，不仅费力费时，而且容易产生测量误差。因此，亟需一种无需人工干预便能高效准确提取稻穗相关表型性状的方法。
2024年8月， Plant Phenomics 在线发表了华中农业大学作物表型团队题为A High-Throughput Method for Accurate Extraction of Intact Rice Panicle Traits 的研究论文。
本研究介绍了一种高通量、无损测量方法EOPT（extraction of panicle traits）以高效、精确的提取稻穗表型，包括单穗粒数、粒长、粒宽和穗长。该方法无需对稻穗进行脱粒和人工整形，其图像采集场景如图1所示。EOPT的整体技术流程如图2所示，首先定义穗型指数（PMI），以量化稻穗籽粒相互遮挡程度。根据 PMI 对直接测得的穗粒数进行校准，可显著提高粒数检测的准确性。其次，为了测量谷粒的长度和宽度，检测过程中采用0.8 的IoU阈值和 0.7 的置信度阈值（Conf）来筛选并分割出图像中较为完整的籽粒，并计算这些谷粒粒长和粒宽的平均值来代表稻穗籽粒的长度和宽度。此外，该方法还使用 Astar 算法提取了水稻圆锥花序骨架的主路径，以确定稻穗长度。在 1554 个稻穗图像的数据集上进行的验证证明了方法的有效性，所提方法对单穗籽粒计数的平均准确率达到 93.57%，平均绝对百分比误差 (MAPE) 为 6.62%。籽粒长度（96.83%）和稻穗长度（97.13%）的测量准确率也较高。此外，利用该方法获得的稻穗表型数据和基因型数据进行了全基因组关联研究（GWAS），可确定与籽粒长度、宽度、单穗粒数和穗长相关的单核苷酸多态性（SNPs），进一步强调了该方法在水稻育种研究方面的作用和潜力。
华中农业大学作物表型团队主要从事作物表型组高通量获取、智能精准解析及作物育种应用等交叉研究。团硕士生孙健和任政威为共同第一作者，杨万能教授及宋鹏副教授为本文共同通讯作者。本研究得到国家重点研发计划、国家自然科学基金、湖北省农业核心攻关项目、湖北省种业高质量发展支撑项目支持。
https://doi.org/10.34133/plantphenomics.0218
Plant Phenomics | 中南林业科技大学周国雄教授团队基于AISOA-SSformer的有效水稻叶病图像分割方法
Rice Plant Counting, Locating and Sizing Method Base on High-throughput UAV RGB Images
https://doi.org/10.34133/plantphenomics.0020
Plant Phenomics ESI高被引论文 | 基于高通量无人机RGB图像的水稻植株计数、定位和大小估计方法
《植物表型组学》（Plant Phenomics）是由南京农业大学和美国科学促进会（AAAS）合作创办的英文学术期刊，于2019年1月正式上线发行。采用开放获取形式，刊载植物表型组学交叉学科热点领域具有突破性科研进展的原创性研究论文、综述、数据集和观点。具体范围涵盖高通量表型分析的最新技术，基于图像分析和机器学习的表型分析研究，提取表型信息的新算法，作物栽培、植物育种和农业实践中的表型组学新应用，与植物表型相结合的分子生物学、植物生理学、统计学、作物模型和其他组学研究，表型组学相关的植物生物学等。期刊已被DOAJ、Scopus、PMC、EI和SCIE等数据库收录。科睿唯安JCR2022影响因子为7.6，位于农艺学一区（1/125名），植物科学一区（13/265名），遥感一区（6/62名）。2023年中科院期刊分区位于农林科学大类一区。2020年入选中国科技期刊卓越行动计划高起点新刊项目、2024年入选江苏科技期刊卓越行动计划领军期刊项目。
说明：本文由《植物表型组学》编辑部负责组稿。
审核：孔敏、王平
