穗是决定籽粒产量和品质的主要收获器官，穗的解剖为估计单穗粒数和粒重等产量和品质相关性状提供了依据。然而，手工收集和分析表型数据费力、耗时、通量低、破坏性大。

x射线CT扫描和深度学习模型的结合可以成为谷类作物高产育种的有力工具，优化的3D图像处理方法可以成为表型性状计算的手段。

本文开发了一种基于x射线CT成像、深度学习和计算机可视化的非破坏性方法来量化大麦穗的形态特征。采用优化后的三维点云图像处理方法对大麦穗状花序进行内部结构分析和形态特征量化。基于UNet模型对两种类型的穗进行训练，最佳模型能准确预测CT图像中的籽粒特征。

结果表明，基于点云的三维图像处理方法能够有效确定穗长、穗粒数、穗粒体积和表面积以及穗粒长度；随着基于深度学习的x射线CT成像的进一步应用和CT图像分辨率的提高，能够从CT图像中获得更多的表型信息；对10个大麦品种的穗型进行了分析，并能将其正确分类为野生大麦、栽培大麦和地方大麦3大类；现代栽培大麦与野生大麦相比，籽粒短而粗，籽粒体积大，产量高。

本研究强调了x射线CT成像和计算机视觉在推进植物科学和农业科学领域的潜力，其结果对指导大麦新品种的培育具有重要意义。

图1. 基于CT的大麦穗表型特征提取流程。(a)大麦穗的光学图像；(b)大麦穗的CT切片扫描图像；(c) CT图像三维重建预览；(d)对CT图像逐层检测感兴趣区域(ROI)；(e) ROI图像的三维重建预览；(f)三维形态分析对大麦颗粒的检测

图2. CT-3D重建大麦穗的高分辨率切片图像

 图3. CT切片手工标记颗粒区域的图像样本。(a-b)小麦品种D3的标记切片图；(c-d)大麦品种S17350的标记切片图像

图4. 用于ROI检测的切片图像处理示例。(a)原始CT切片图像；(b)去除holder后的切片图像；(c) UNet输出的预测图像；(d)分割图像；(e)二值化图像；(f)边缘检测图像

图5. 穗部点云图像示例及用于表型提取的籽粒图像转换过程

图6. 基于CT提取大麦表型性状的验证。(a)穗长；(b)穗粒数；(c)穗重与虚拟穗体积的关系；(d)穗重与虚拟穗表面积的关系

图7. 穗部图像。(a)光学图像；(b)带标记籽粒的三维重建点云图像。

图8. 野生大麦、现代品种和地方品种的形态性状比较

 图9. 三种大麦籽粒形态性状沿穗部的分布