基于图像分析技术的水稻单穗粒数识别与计数

基于图像分析技术的水稻单穗粒数识别与计数

本文旨在研究一种有效的离体穗粒数快速测量方法,为水稻穗粒数快速大批量检测提供技术支持,植物表型资讯介绍如下:

在表型基因组学研究中,往往需要大批量的表型检测,从而筛选突变植株并识别相应的遗传基因。单穗粒数作为水稻籽粒产量的重要构成因素,是考察品系产量潜力的基本数据,也是考察栽培措施效果和实用性的基本数据,快速获取单穗粒数有利于提高科研工作效率。传统的表型测量主要依靠人力,劳动量大,效率低,对大批量样本的生长发育测量几乎不可行,表型数据的质量受人工主观因素影响也较大。本文旨在研究一种有效的离体穗粒数快速测量方法,为水稻穗粒数快速大批量检测提供技术支持。

1

图像预处理流程

2

深度学习模型构建流程图

研究通过图像处理技术实现水稻穗粒数的快速计数。在这过程中,探明籼稻亚种与粳稻亚种在穗粒数计数上的区别,同时比较分析了不同图像获取手段、穗子形状以及计数方法的优劣。研究结果表明,传统的图像处理技术在籽粒分割过程中存在问题。利用线性模型进行穗粒数的计数时,粳稻亚种计数准确率可达96%以上,籼稻亚种准确率可达97%以上。利用深度学习模型算法时,亚种间计数差异较小,平均准确率高达99%以上。但深度学习模型所需运行时间高于线性模型。综上,本文研究的水稻穗粒数计数方法可以作为一种有效的离体穗粒数测量方法,为水稻穗粒数快速大批量检测提供参考。

3

线性模型结果

4

深度学习模型识别效果图

作者介绍:

扬州大学农业信息技术课题组,主要研究作物系统模型与图像识别、作物生长智能监测、农业机器视觉技术、农业软硬件系统开发与应用、作物精准栽培理论与信息化以及农业物联网等方面。先后承担国家自然科学基金面上项目3项、国家重点研发计划子课题1项、国际合作项目2项以及其他各级课题10余项;在Agricultural and Forest Meteorology、Plant Methods、Remote Sensing、Precision Agriculture、Biosystems Engineering、Agronomy Journal、Crop Science、Computers and Electronics in Agriculture、Journal of Cereal Science、Plant Ecology、Journal of Integrative Agriculture、中国农业科学、作物学报、生态学报、应用生态学报等国内外主流期刊上发表研究论文100余篇、其中SCI收录18篇EI收录6篇参编专著2部。申请发明专利10项、获授权发明专利2项、实用新型专利3项,获软件著作权20余项。获省部级科技奖2项。现有研究生20人,其中博士生6人,硕士生14人。另有在站博士后1人。课题组正在筹备扬州大学智慧农业研究中心,拟招聘相关专业博士3-5名(农业遥感、物联网等相关专业),另每年招生博士后1-2名,欢迎优秀的博士加入我们团队,团队负责人:孙成明教授,联系电话:13773375557,邮箱:cmsun@yzu.edu.cn

刘升平博士,现任中国农业科学院农业信息研究所智能农业技术研究室主任农业系统智能控制与虚拟技术创新团队首席助理,长期从事农业信息技术领域科研工作,主要研究方向包括农产品质量安全控制技术、作物模拟模型技术和农业GIS应用等领域。先后主持、参与和完成国家科技支撑计划、国家“863”计划、中国农业科学院创新工程、国家自然科学基金课题等类型的科研课题 10 余项,发表学术论文 10 余篇获软件著作权 20 余项

 

来源:

Wu, W., Liu, T., Zhou, P. et al. Image analysis-based recognition and quantification of grain number per panicle in rice. Plant Methods 15, 122 (2019) doi:10.1186/s13007-019-0510-0

 

扩展阅读:

植物表型资讯两周年目录汇总

植物表型资讯2019年1-10月目录汇总

微信图片_20190924114307