越来越多的高通量表型组研究应用于作物育种了

近期，看了不少表型组论文，发现越来越多的高通量表型组相关的学术研究开始往实际育种上面靠拢，这是一个非常好的趋势和现象。

我们之前关注这一块比较少，虽然零星分享过几篇推文，但阅读量都不高，受众群体比较少。比如，之前做过一个合集：高通量表型组在作物育种上的研究与应用合集。但现在它也是育种的重要技术之一，因此后续仍会分享。

表型采集和鉴定的困难是限制现代育种的关键因素之一，比基因型更难。我们做基因组选择（GS）的最终目标本质也是为了解决表型调查的问题。

高通量表型是智能育种的必由之路，现在它不再局限于温室大棚和昂贵的仪器平台，不尽玩些花里胡哨的不切实际的生理生化指标。以后轻量、消费级的无人机、手持设备、田间机器人（暂时很贵）等纷纷上阵，只会与育种结合得越来越紧密。

分享几个文章的案例，希望对你有所启发。

Plant Phenomics | 武汉理工大学开发了一款结合深度学习与移动端的小麦条锈病严重度表型智能评测APP

该研究推出了StripeRust-Pocket，一款Android移动端APP，用户可在不联网的情况下使用手机或平板拍摄小麦条锈病叶片，现场评估病害严重程度，并将结果整理为Excel格式，通过邮件发送。

• StripeRust-Pocket 下载连接：https://github.com/WeizhenLiuBioinform/StripeRust-Pocket
• 论文链接：https://spj.science.org/doi/10.34133/plantphenomics.0201

Plant Phenomics | 华中农业大学作物表型团队开发了一种高效准确测量未经整形的水稻稻穗表型方法

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。

论文链接：https://doi.org/10.34133/plantphenomics.0213

PanicleNeRF：利用智能手机对水稻穗进行低成本、高精度的田间表型分析

该方法可以在智能手机上实现水稻穗三维模型的高精度和低成本重建。该方法结合大模型Segment Anything model (SAM)和小模型You Only Look Once version 8 (YOLOv8)，实现了水稻穗图像的高精度分割。然后利用NeRF技术对图像进行二维分割，进行三维重建。最后，对得到的点云进行处理，成功提取出圆锥花序特征。

来源：Xin Yang, Xuqi Lu, Pengyao Xie, et al. (2024) PanicleNeRF: low-cost, high-precision in-field phenotypingof rice panicles with smartphone. arXiv: 2408.02053.

CTWheatNet：田间小麦穗精确检测模型

麦穗检测是麦田产量估算中不可缺少的环节，然而田间麦穗形状各异，重叠频繁，且易受光照变化的影响，这给麦穗检测工作带来了重大挑战。为了满足田间产量估算的要求，提高麦穗检测精度，本文提出了CTWheatNet模型，该模型将CNN和Transformer相结合，克服了各自在麦穗检测任务上的局限性，实现了田间麦穗的精确检测。

来源：Guan, Y., Pan, J., Fan, Q., Yang, L., Yin, X., & Jia, W. (2024). CTWheatNet: Accurate detection model of wheat ears in field. Computers and Electronics in Agriculture. 109272.

使用深度学习模型的通用种子计数流程

本研究提出了一种新的种子计数流程，利用深度学习算法来促进收获前产量预测的自动化，这是育种过程的关键组成部分。不像现有的方法，往往迎合一个单一的种子物种或那些具有相似的形状，我们的方法能够准确地估计种子的数量在不同的物种范围。该流程包含一个用于种子图像分类的分类网络，以及专门为适应不同种子形态而量身定制的目标检测模型。通过集成种子分类器、三个不同的种子检测器和后处理过滤器，我们的方法不仅展示了卓越的准确性，而且在各种条件下表现出强大的泛化能力。该流程在测试集中的错误率小于2%，在扩展集中的准确率超过97%，为高通量表型和精准农业提供了一种可行而高效的解决方案，有效克服了种子形态多样化带来的挑战。

来源：Pun, Z., Tian, X. & Gao, S. A general Seeds-Counting pipeline using deep-learning model. Pattern Anal Applic 27, 92 (2024).

Plant Phenomics | 华中农业大学开发了基于无人机平台的大田作物表型数据提取和分析平台

本研究开发了集成高通量通用表型平台（IHUP），旨在进一步降低无人机遥感田间表型采析难度，促进该领域发展。IHUP平台主要包括四个功能模块：预处理、数据提取、数据管理和数据分析。通过集成和自动化处理，简化了需要复杂且跨学科知识的数据提取与分析过程。用户可通过图形用户界面以集成高通量方式计算图像特征信息、结构特征及植被指数。同时，根据不同作物需求可定制植被指数计算公式等提取方法。

论文链接：https://doi.org/10.34133/plantphenomics.0164

华中农业大学黄小毛教授等：基于无人机视频影像的油菜苗检测与计数

针对油菜生长早期传统人工苗情调查方法效率低、主观意识强，不能满足大面积或经常性高精度苗期调查作业需求的问题，该研究基于无人机影像及机器学习技术，提出一种油菜苗视频流检测模型及计数方法。通过对YOLO系列基础模型添加多头自注意力，用BasicRFB（basic receptive field block）模块替换原有的空间池化结构（spatial pyramid pooling-fast，SPPF）模块，并对Neck部分添加一维卷积及更换下采样方式等，进一步结合DeepSORT（deep simple online and real-time tracking）算法和越线计数技术实现对油菜苗的数量统计。

来源：黄小毛，张维，邱天，等. 基于无人机视频影像的油菜苗检测与计数[J]. 农业工程学报，2024，40(10)：147-156.

Plant Phenomics |基于无人机图像和深度学习的玉米不同抽雄阶段雄穗状态的检测与识别

玉米制种田中雄穗状态不仅是玉米生长发育阶段的重要指标，更直接反映了去雄作业的效果。准确监测雄穗状态对于确定去雄方式、把握最佳去雄时机以及筛查遗漏的母本雄穗等关键环节起着决定性作用。然而，目前制种员主要依赖田间巡查和经验判断，这种方法往往存在信息不全面等局限性。此外，现有的雄穗检测模型多针对特征明显的成熟雄穗，难以准确识别未露头雄穗或去雄后的植株。本研究提出了一套创新的玉米制种田雄穗状态评估技术方案。该方案结合了低成本、高效率和灵活性的无人机技术，实现了高通量的田间监测；通过人工智能技术高效解析无人机采集的影像数据，能够快速提取和分析制种田内雄穗的生长发育状态。通过采用数据标注、检测模型的优化选择以及分块模式评估等一系列先进策略，实现了对制种田玉米雄穗状态的精准检测，为一线制种员提供了直接技术支持，有望显著提升玉米制种的整体质量和效率。

论文链接：‍https://doi.org/10.34133/plantphenomics.0188

PREPs：用于高通量田间植物表型分析的开源软件

利用Window.NET开发了一款用于田间植物表型分析的开源软件(Precision Plots Analyzer，PREPs)。该软件在64位windows计算机上运行。该软件允许从正交和数字表面模型(DSM)图像中提取每个微图的表型特征，这些图像是由运动结构/多视图立体(SfM-MVS)工具生成的。此外，不需要掌握地理信息系统(GIS)或图像分析编程语言的技能。三个用例说明了软件的功能。第一个项目是使用无人机在试验田监测甜菜品种的生长，通过估计作物高度、覆盖率和体积指数来检测品种之间的差异。其次，利用无人机对马铃薯混合品种进行估计，并从估计的表型性状中观察品种差异。人工测量的作物高度与无人机估计的作物高度之间存在很强的相关性。最后，利用拖拉机上的多镜头阵列，对3个马铃薯品种的高度、盖度和体积指数进行了精确估计。PREPs软件准备成为一个有用的工具，允许任何人没有事先的知识编程提取作物性状表型。

来源：Atsushi Itoh, et al. PREPs: An open-source software for high-throughput field plant phenotyping. Plant Phenomics (2024).

如果你做育种，有田间表型采集和鉴定的想法与需求，欢迎在下方评论留言！