无人机表型用于高粱穗部形态表型分析-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

无人机表型用于高粱穗部形态表型分析

发布时间：

2025-07-17

来源：

作者：

田间试验中的高粱冠层结构由各种表型性状决定，如植株和穗数、叶密度和角度、穗形态和冠层高度。这些性状共同影响光捕获和生物量生产，以及光合产物向籽粒产量的转化。受遗传、环境条件和管理措施的影响，穗的形态表现出相当大的差异。

本研究为高粱冠层的三维重建和穗形态分析提供了一个框架。首先，作者开发了一种可扩展的、基于低空无人机的协议，该协议利用视频进行高效的数据采集，并结合神经辐射场(NeRF)生成高质量的高粱冠层3D点云重建。然后，构建了一个3D模型用于模拟3D高粱冠层，以创建带注释的数据集，用于训练基于深度学习的语义分割和穗检测算法。最后，作者提出了一种新的多任务深度学习模型SegVoteNet，它将VoteNet和PointNet++集成在一个共享的主干架构中。SegVoteNet专为纯点云数据的语义分割和3D检测而设计，集成了投票和采样模块，利用分割结果来优化目标建议生成。SegVoteNet的鲁棒性强，在合成数据集上实现了0.986的平均精度(Mean Average Precision，mAP)和0.5的并交比(IOU)。在高粱穗部检测的真实点云数据集上实现了0.850平均精度和0.5的并交比，无需微调。

本研究流程为育种和商业应用中的田间高粱穗表型分型试验提供了一种稳健的可扩展方法。接下来工作重点是开发用于估计每穗粒数的模型，为育种者提供更多的表型选择。

图1. 无人机策略概述

图2. 点云重建流程图

图3. 带注释的合成穗部模型

图4. SegVoteNet架构

图5. 原点采样和穗投票模块输入

图6 合成和真实验证集

图7. 测试集推理

表1. 模型测试集性能

表2. 消融研究—真实和合成验证集的模型性能比较

表3. 消融研究-真实测试集上的模型性能比较

来源

C. James, S.S. Chandra, S.C. Chapman, A Scalable and Efficient UAVbased Pipeline and Deep Learning Framework for Phenotyping Sorghum Panicle Morphology from Point Clouds, Plant Phenomics, https://doi.org/10.1016/j.plaphe.2025.100050.

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