本文概述了始于2020年的两个互补项目的初步结果，并探讨了数字表型技术在新品种测试(NVT)中的价值。

 

　　由昆士兰大学(UQ)与澳大利亚联邦科学与工业研究组织(CSIRO)和荷兰瓦赫宁根大学(WU)合作的INVITA(澳大利亚品种测试创新-UOQ2003-011RTX)用来监测国家品种试验的质量(通过使用基于无人机和手机摄像头的调查)，旨在提高环境和观测数据(无人机图像、天气数据、卫星监测)在预测品种性能过程中的利用率。

 

　　AGFEML(农业特征提取和机器学习- UOQ2002-008RTX)是一个与法国作物研究所(Arvalis)和东京大学合作旨在开发机器学习图像分析技术的项目，使用来自手机摄像头和空中无人机(Unpiloted Autonomous Vehicles)的图像，在研究和生产领域准确计数小麦和高粱头。AGFEML是GRDC机器学习研究计划中的一个试点项目，该项目于2019年启动，旨在量化田间的空间变化，这些变化由图像测量的头数密度的变化来表示。该项目已经对机器学习相机进行了原型设计，以便能够实时计算头数，例如在拖拉机 "仪表盘 "类型的设置上。

 

　　背景

 

　　INVITA项目是由GRDC发起的，以利用欧盟委员会在2018-19年度开始的1200万美元的INVITE(欧洲品种测试创新)投资。INVITE涉及一系列的研究活动，以改善欧盟多个国家的品种测试过程，由法国国家农业与环境研究所(INRAe)领导。昆士兰大学与澳大利亚联邦科学与工业研究组织和瓦赫宁根大学(INVITE的主要合作伙伴)合作在澳大利亚开发INVITA，并以INVITE的研究成果为基础，共同开发GRDC NVT的测量和分析技术。

 

　　在过去15年左右的时间里，NVT已经发展成为世界上最大的公共品种测试项目之一，并为澳大利亚种植者提供了及时的性能信息，这些信息是通过投资高质量的实验设计、数据清理和统计分析来保证的。INVITE和INVITA都开展了利用无人机成像、手机摄像头数据采集、天气监测和卫星遥感等其他表型信息(即植物观察)进一步改进性能预测的活动。在澳大利亚，田间空间变化以及天气的年际和地点间的变化一直是研究实验中不确定性的主要潜在来源，这些技术旨在适应和解释空间和时间变化对作物生长和产量的影响。

 

　　NVT 和大多数植物育种试验通常在样地级别(即每 7 x 2m 样地面积一个值)测量大多数性状(例如谷物产量)，并使用SAGI在NVT年度分析中开发和实施的方法解释田间空间效应。成像方法，特别是来自无人机的成像方法提供了子地块的分辨率(<1到20厘米的像素分辨率)，并且可以在季节的任何时间使用。迄今为止，无人机图像的大多数分析都是基于作物覆盖和冠层高度的推断。在AGFEML中，我们特别关注改进方法，以便能够使用手机和无人机摄像头“计算”小麦和高粱的头数。因此，AGFEML成果直接为INVITA做出贡献，在其他领域也有潜在的应用。

 

　　图1主要小麦试验区概述和2021年冬季INVITA收集的测量分布(彩色)。

 

　　图2 2020年NVT的早期季节4G相机图像，左边显示的是相机和光谱传感器，还有一个例子是相机照片被掩盖，以提供来自手机、现场相机或无人机的地面覆盖的估计值。

 

　　图3从UQ Gatton的一次无人机飞行分析中收集的每块地的NDVI数据实例。这张图片是将无人机拍摄的多张图片拼接在一起，在这么高的分辨率下，每公顷需要30分钟左右。

 

　　图4 Kaggle上的第一届GWHD竞赛https://www.kaggle.com/c/global-wheat-detection，吸引了2245个团队参加。

 

　　图5无人机和地面平台照片，用于测试小麦头数。来自法国和澳大利亚的数据(INVITA在Gatton的试验)。

 

　　图6从无人机图像中计算高粱头的分析流程。

 

　　图7 2020年7月2日，小麦主季试验的地面覆盖物估计的空间分析。左下图显示了在数据中发现的空间趋势，并在基因型平均值的估计中进行了调整。

 

　　图8 澳大利亚地图显示了2020年30个试验的产量和季节早期地面覆盖(GC1)(DAS < 60)之间的基因型相关性。

 

　　图9 在植被中期阶段，无人机(RGB <1厘米分辨率)，Airbus(0.3米)，planet(3米)和sentinel-2(10米)图像的比较。

 

　　图10对2015年至2020年129个地点的310项试验中的21000个开花观测数据进行分析。

 

　　图11利用两种APSIM物候模型参数预测小麦开花时间的比较。这表明我们仅凭天气数据就可以很好地预测大多数试验和基因型的开花时间。

 

　　图12对法国和澳大利亚(Gatton)小麦穗样方计数的两种头计数算法(RCNN和SFC2Net)进行独立测试的性能结果。

 

　　图13 CutGAN使用UQ image+Purdue'style'(高粱)和USaskatchewan+UTokyo'style'(小麦)生成“假”图像。

 

　　图14 高粱人头计数模型在不同大小数据集的原始或原始+合成图像上训练的性能。使用假图像可以更好地进行模型训练。

 

　　图15 无人机图像中的头部和行检测(上图)以及整个90 x 500米区域的头部密度拟合图(下图)。这些分析可以从无人机图像生成，无需进行完整的马赛克处理，并可用于现场计算。

 

　　图16 用机器学习相机实时处理4K静止图像以计算麦穗数量。

 

　　来源：Korts J R, Hemerik J, de Solan B, et al. INVITA and AGFEML–Monitoring and extending the value of NVT trials[J].

 

　　编辑：小王博士在努力