植物会根据其所在的地理位置动态调整花期。已有研究表明，在被引入一个新环境后，植物的花期可能会发生很大的改变。对于玉米这类大田作物而言，花期对产量的影响至关重要。因此，改变繁殖时间以更好地适应当地的环境和各种不同的气候条件，已成为作物育种的主要任务之一。

在制种时，则需要使雄株和雌株的开花过程尽量同步，并产生足够的花粉，使得尽可能多的胚珠受精。在农民生产领域中，这通常不是问题;而当种子公司想要通过两自交系间的杂交来生产杂交种子时，则需要对“父本”和“母本”的花期做出一定规划，来确保两亲本间的“巧配”。除此以外，父本基因型花粉的生产时长和每日产量也很重要。

在玉米中，开花过程通常从雄穗顶部向下约2/3处开始，并在之后的几天内向两端发展。了解开花模式的遗传基础，将有助于提高杂交生产的授粉效率。因此，有必要通过多样性面板监测田间条件下的开花进程。目前，已有研究使用花粉截留器对有限的几个玉米基因型的开花模式进行了研究，构建了花粉扩散模型并预测了花粉总脱落量。然而，在田间条件下以同样的方式，监测成百上千个基因型的花粉脱落情况，存在着一定的难度。

随着成像设备和相关的图像处理算法的发展，更快、更准确的表型分析成为了可能。然而，传统的图像分析方法的实用性有限，仅适用于测量粗略特征或部署在各项条件可控的室内环境中。与严格控制成像条件的室内实验相反，天气、温度、湿度和风速等因素都会影响田间实验的图像质量，从而使得仅基于图像处理的方法难以有较高的稳健性。

在这种前提下，深度学习(DL)方法的出现彻底改变了从图像数据中提取特征的过程，特别是对图像的分类、物体的检测和分割。并且与传统图像处理方法相比，深度学习方法还有着更强的稳健性和处理速度。更重要的是，已有许多研究对植物科学中的深度学习工作流程进行了开发。

近日，Plant Phenomics在线发表了美国爱荷华州立大学Seyed Vahid Mirnezami等人题为Detection of the Progression of Anthesis in Field-Grown Maize Tassels: A Case Study的研究论文。

文章中，作者结合了深度学习和图像处理方法，从田间条件下采集到的植株延时摄影图像中提取玉米雄穗的开花模式。在图像采集方面，利用架设在田间的约500个图像采集设备(Figure 1)，在白天每隔十分钟拍摄一组图像，持续三周。

Figure 1: A photo of the experiment.

在数据分析时，由于光照、天气以及穗部形态的多样性，从田间图像中提取数据存在一定的挑战。因此，该文章使用深度学习算法对穗部进行检测、分类和分割，之后使用图像处理方法裁剪主穗(Figure 13)并跟踪生殖发育过程(Figure 4)。

Figure 13: (a) The red line is the tassel path from the starting point to the tassel tip, and blue dots are the branch points. (b) The main spike of the tassel was cropped from the topmost branch point.

Figure 4: The steps of the entire end-to-end process.

结果表明，以具有良好标注为基础的深度学习算法是检测、分类和分割穗部的有力工具。其中，穗部检测的平均准确率均值(mAP)为0.91，穗部分类的F1分数为0.93，由可见光图像提取二值蒙版的准确率为0.95。该文中设计的算法主要用于测定主穗密度的时空变化，从而间接地研究开花进程(Figure 18)。

Figure 18: Flowering pattern of a representative tassel.

来源：

Mirnezami S, Srinivasan S, Yan Zhou Y, et al. Detection of the Progression of Anthesis in Field-Grown Maize Tassels: A Case Study.Plant Phenomics .https://doi.org/10.34133/2021/4238701.