2024年12月，Expert systems with applications（中科院一区TOP期刊，影响因子7.5）在线发表了山东农业大学刘平教授团队题为Real-time Monitor Heading Dates of Wheat Accessions for Breeding In-field Based on DDEW-YOLOv7 Model and BotSort Algorithm的研究论文。山东农业大学刘平教授为通讯作者，研究方向为农业机器人与智能辅助育种关键技术。山东农业大学博士研究生宋绪斌为第一作者，该论文获得山东省重点研发计划项目的资助。在大群体中高效、高通量、无损的动态监测作物性状已成为连接基因型与表型的育种瓶颈。小麦育种中，抽穗期的变化可以表明小麦品种对环境变异和遗传因素的反应，对其进行动态跟踪有助于产量预测，识别遗传改良所需性状，有助于识别适应性强的基因型和最佳抽穗特性，指导制定有效的育种策略。传统的方法往往需要定期观察，无法实时捕捉抽穗期的动态变化，劳动强度大、效率低。因此，该研究基于DDEW-YOLOv7模型和BotSort算法提出了田间育种小麦品种抽穗期实时监测方法（图1）。图1 抽穗期实时监测方法该研究首先利用构建的DDEW-YOLOv7模型和BotSort跟踪算法实现了小麦穗的实时检测和计数。然后，利用获取的麦穗时序数据，生成麦穗生长曲线与增量图并确定F1杂交小麦品种抽穗日期及估算单位面积穗密度。试验可知，该模型在麦穗检测方面显著降低误检率，在复杂场景下具有更高的准确性和稳定性。同时在麦穗计数方面，模型的检测结果与人工测量结果高度相似（RMSE和R2分别为91.04和0.99，图2）。在不同品种、不同种植密度的11块小麦地块上，抽穗期测定的RMSE约为0.3天，估算的单位面积穗密度与真实值之间的RMSE约为6.10（图3）。该方法为大规模估算小麦抽穗期提供了可行的解决方案，同时实现了作物生长状况的实时评估和产量预测，为精准农业提供高通量、准确的数据支持。在气候变化和环境胁迫条件下，将其应用于育种选择、优化种植策略和增强气候适应性等方面，对支持农业可持续生产和提高作物生产力具有重要意义。
