对水稻穗部表型变化的实时观察有助于理解产量的形成。现有报道对抽穗扬花期水稻穗部的表型特征，尤其是不同氮肥处理下的穗部发育特征尚缺乏全面的分析。本研究构建了基于YOLO v5，ResNet50和DeepSORT模型的时序图像的水稻穗数、抽穗期、穗开花时间和开花时长估计的流程。结合田间观测数据，利用所提方法检验其识别不同氮处理下穗部发育细微差异的能力。

结果表明，整个抽穗开花期的穗数统计达到了较高的精度(R2=0.96，RMSE=1.73)，抽穗期估计的绝对误差为0.25天。此外，通过基于时序图像的相同穗跟踪分析了单穗的详细开花表型变化，如开花持续时间和单个穗开花时间。对于群体，随着施氮量的增加：穗数增加，抽穗期无明显变化，但持续时间略有延长；累积开花穗数增加，水稻开花起始日期提前，结束日期推迟，开花持续时间变长。对于单个穗，相同的穗跟踪显示，较高的施氮量导致开花起始日期提前，开花天数显著延长，从旺盛开花开始到结束的总持续时间(DBE)显著延长。但盛花期开始时间无显著差异，日均DBE略有下降。

图1.穗部检测、开花穗识别、单穗持续观察流程图。(A)原始高分辨率图像;(B)切割成子图像;(C)人工标注;(D)穗部检测模型生成与测试;(E)检测结果样本;(F)从检测结果中剪裁穗部图像;(G)将图像集成到视频中;(H)基于穗检测模型和DeepSORT模型的穗跟踪;(I)应用分类模型对跟踪结果进行分析

图2. 南粳9108(2019)和9优418(2020)在不同氮肥处理下的穗部检测结果举例。图中的红色方框为检测到的稻穗，每个方框对应一个穗数，数字代表穗数置信度

图3. 利用DataSet1中的验证数据集对水稻穗数进行手工计数和模型估计的散点图

图4. 从时间序列图像中识别旺盛花穗(VF)和非旺盛花穗(NON-VF)的实例

图5. 人工统计和模型估测得到的平均穗数的累积分布。根据每天每小时(8：00~16：00)的9幅图像计算平均穗数

图6. 不同氮肥处理下累积穗数和抽穗期的比较。每张图中的红线和蓝线分别表示通过模型估计和人工计数在稳定穗数的10%、50%和80%处的累积概率。在每个框图中，黑线和红点分别表示平均值和中位数。

图7. 不同氮肥处理下抽穗开花期穗数(红线)和开花穗数(蓝线)的比较。

图8. 不同氮肥处理下开花穗数的累积分布。