通过优化基于点的框架提高水稻冠层穗数计算的准确性-慧诺瑞德（北京）科技有限公司|叶绿素荧光|光合作用|植物表型

学术中心

全部分类

通过优化基于点的框架提高水稻冠层穗数计算的准确性

发布时间：

2025-05-16

来源：

作者：

先前报道经常低估基于位置的稻穗计数方法。本文认为基于位置的方法潜力并没有完全被挖掘，其很大程度是由于现有模型架构的限制。为了应对这一挑战，本文开发了基于位置框架P2Pnet的一种创新模型—LKNet。

为了提高不同类型、不同生育期的稻穗计数性能，试验设计了几个关键策略。首先，将损失函数重构为预测分布概率，以减少人工标注影响。其次，利用大核卷积动态调整感受野，用于更好地适应不同穗型。在几个公开数据集上对LKNet进行了评估，并在稻穗多样性检测数据集上取得了最新性能。最后，利用在海拔7米收集的多品种、多生育期稻穗数据集用于模型训练和评估。

结果表明，LKNet有效地适应了穗部形态变化，R2值在0.903 ~ 0.989之间，RMSE小于1.3。以上发现强调了LKNet在水稻育种计划中提高穗计数精度的潜力。作者表示，未来工作将围绕开颖穗型的灌浆后期和成熟期穗数展开，通过优化模型框架降低标注成本，使其真正具备在所有水稻穗型的冠层图像精确计数能力。

图1. LKNet的体系结构。A：LKNet整体架构；B：大核卷积架构

图2. 比较改进的位置损失与原位置损失

图3. LKNet在7m飞行高度下的计数准确率。A：不同穗型下的RMSE；B：不同穗型下的R2；C：紧凑型穗下不同生育期预测值与实际值散点图；D：中间穗数下不同生育期预测值与实际值的散点图；E：开颖穗型不同生育期预测值与实际值的散点图

图4. LKNet在不同生长阶段和穗型中的计数结果

图5.模块修改前后的类激活图。P2PNet_1表示修正位置损失函数；P2PNet_2代表改进的位置损失函数和LKconv的使用

图6. 来自模型分类头第二个卷积层的类激活图在模块修改前后的实例

表1. 7m数据集上模型修改前后计数性能差异

表2. 不同大核模块设计之间的计数性能差异

来源

Z. Li, W. Hong, X. Feng, A. Wang, H. Ma, J. Qin, Q. Yao, D. Wang, S. Chen, LKNet: Enhancing Rice Canopy Panicle Counting Accuracy with An Optimized Point-Based Framework,Plant Phenomics, https://doi.org/10.1016/j.plaphe.2025.100003

编辑

JAYz

推荐新闻

石时之约|韩志国：透过表型数据，看见植物的喜怒哀乐！

本期石时之约，我们将对话慧诺瑞德（北京）科技有限公司总经理、国际植物表型学会（IPPN）执委会委员/工业分会副主席韩志国，一起从表型数据的科学角度，去读懂农作物的喜怒哀乐和前世今生。

慧科研、慧育种、慧种田——慧聚改变的力量

让我们“慧聚”在一起，为“慧科研、慧育种、慧种田”赋能。

高通量植物表型平台建设注意事项

育种，是在给定的环境条件下，选择各种表型指标(产量、品质、抗性)最优的基因型材料的过程(AI育种，从这里起步)。育种工作中大约70%的工作量来自表型观察测量和筛选，是最耗人力物力的过程。

作物生理表型测量基础原理

生理表型测量的核心在于“早、快”，要在肉眼可见之前就能测量并预判出变化趋势，才是这个技术的核心价值。叶绿素荧光成像，恰好满足了这个要求。

视频展示