植物表型检测在了解和研究植物生物学、农业和生态学中起着至关重要的作用。通过对植物的各种物理性状和特性的量化和分析，如株高、叶片形状、数量和生长轨迹等的精确检测，研究人员可以深入了解植物的生长发育、抗逆性以及环境因素的影响，对作物育种具有重要意义。
2024年7月，Plant Phenomics 在线发表了来自中国农业科学院深圳农业基因组研究所和太原理工大学合作完成的题为Recognition and Localization of Maize Leaf and Stalk Trajectories in RGB Images Based on Point-Line Net 的论文。
随着计算机视觉技术和人工智能的快速发展，利用田间玉米图像对植物相关信息进行高通量表型分析，可以大大消除重复劳动，提高植物育种效率。然而，由于田间环境中作物的背景复杂，遮挡问题严重，将深度学习方法应用于室外田间环境，确定田间玉米叶片数量并识别叶脉生长轨迹仍然存在一定的困难。为应对这一挑战，本文基于Mask-RCNN网络提出了一种自上而下的关键点检测模型——Point-Line Net，用于田间玉米叶脉生长轨迹表型检测任务。
数据集来自中国农业科学院深圳农业基因组研究所，本文选取了其中使用手持相机拍摄的部分数据集，包含9802张高分辨率RGB图像和对应的点线标注文件。
图3 Point-Line Net在各种场景下的预测结果:(A)原始RGB图像；(B) Labelme工具转换的地面真实值；(C)预测边界框（红色框代表识别出的的根茎类别，白色框代表识别出的的叶片类别）；(D)预测关键点。
阮珏，研究员，博士生导师，农业基因组学技术研发与应用创新团队首席科学家。课题组主要从事组学算法研发：1）开发快速精准的序列比对与组装算法开发；2）开发高效的图基因组构建与分析流程；3）制备图像表型标准数据集，搭建共享平台，开发植物表型图像识别算法；4）开发具有高纠错能力的DNA数字存储算法；5）拓展测序方法研发：如低频突变检测，宏基因组测序等；6）在组学算法研发的基础上，进一步开展生物信息学研究，为组学算法的深入利用提供支撑。
李灯熬，太原理工大学计算机科学与技术学院（大数据学院）教授，博士生导师，主要研究方向：大数据技术与应用、物联网关键技术及应用、空间信息网络技术。
Three-dimensional modelling of maize canopies based on computational intelligence
https://doi/10.34133/plantphenomics.0160
Plant Phenomics | 安徽大学联合北京市农林科学院信息技术研究中心提出了基于计算智能的玉米冠层三维建模方法
Analyzing Changes in Maize Leaves Orientation due to GxExM Using an Automatic Method from RGB Images
https://doi/10.34133/plantphenomics.0046
Plant Phenomics 精选2023 | 基于RGB图像的基因型×环境型×管理相互作用下的玉米叶片方向变化分析
《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、植物科学、遥感一区。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
