丁啟朔，李?？?，孫克潤(rùn)，何瑞銀，汪小旵，劉富璽，厲翔

基于機(jī)器視覺(jué)的稻茬麥單莖穗高通量表型分析

丁啟朔1，李海康1，孫克潤(rùn)2，何瑞銀1，汪小旵1，劉富璽1，厲翔1

（南京農(nóng)業(yè)大學(xué)工學(xué)院/江蘇省智能化農(nóng)業(yè)裝備重點(diǎn)實(shí)驗(yàn)室，南京 210031；2江蘇銀華春翔機(jī)械制造有限公司，江蘇連云港 222200）

【】高通量表型技術(shù)不僅是現(xiàn)代育種領(lǐng)域的重要手段，也是解析田間作物生理生態(tài)行為的工具,但不同類別高通量表型技術(shù)的基礎(chǔ)架構(gòu)特征仍不清楚，因此需要針對(duì)機(jī)器視覺(jué)高通量表型技術(shù)進(jìn)行專門(mén)探討。本文用機(jī)器視覺(jué)技術(shù)檢測(cè)計(jì)算稻茬麥莖穗一體的表型指標(biāo)。使用寧麥13、魯原502和鄭麥9023 3個(gè)小麥品種，進(jìn)行小區(qū)化對(duì)比試驗(yàn)，使用等孔距柵條精播板進(jìn)行單粒精播，準(zhǔn)確控制條播小麥的群體條件。于稻茬麥成熟期進(jìn)行莖穗一體圖像獲取，對(duì)圖像進(jìn)行灰度增強(qiáng)、直方圖均值化、S分量提取、Otsu閾值分割、莖穗分離和莖穗形態(tài)參數(shù)提取等操作。提取的稻茬麥地上部單莖穗各器官的形態(tài)參數(shù)包括莖稈長(zhǎng)、莖稈平均寬度、莖稈投影面積、莖稈周長(zhǎng)、麥穗長(zhǎng)、麥穗平均寬度、麥穗投影面積和麥穗周長(zhǎng)。同時(shí)，使用傳統(tǒng)方法獲取小麥單葉片質(zhì)量、單莖稈質(zhì)量、單穗質(zhì)量和單穗籽粒產(chǎn)量等農(nóng)藝性狀指標(biāo)。分別構(gòu)建線性模型、二次模型、指數(shù)模型及拓展模型進(jìn)行多維指標(biāo)擬合，包括小麥單莖穗生物量與單穗籽粒產(chǎn)量關(guān)系、單莖穗的麥穗形態(tài)參數(shù)與單穗籽粒產(chǎn)量關(guān)系等擬合分析。在單莖穗層面對(duì)小麥莖穗的表型指標(biāo)與單穗籽粒產(chǎn)量之間的關(guān)系進(jìn)行相關(guān)分析和回歸分析，進(jìn)而基于機(jī)器視覺(jué)在小麥莖穗一體方面的個(gè)例應(yīng)用，討論大田高通量表型分析的機(jī)器視覺(jué)技術(shù)研發(fā)的要點(diǎn)。寧麥13、魯原502和鄭麥9023 3個(gè)小麥品種的單葉片質(zhì)量與單穗籽粒產(chǎn)量的相關(guān)系數(shù)依次下降，小麥單莖穗形態(tài)參數(shù)與單穗籽粒產(chǎn)量的相關(guān)性顯著低于生物量指標(biāo)，但單穗投影面積、單穗長(zhǎng)與單穗籽粒產(chǎn)量依然存在顯著正相關(guān)。3個(gè)小麥品種在單莖穗的各生物量指標(biāo)與單穗籽粒產(chǎn)量的最優(yōu)回歸模型各不相同，麥穗圖像的形態(tài)參數(shù)不能準(zhǔn)確反映單穗籽粒產(chǎn)量，但單莖穗的莖稈和麥穗形態(tài)參數(shù)的組合應(yīng)用表現(xiàn)出最佳的拓展模型擬合結(jié)果。利用莖穗一體的數(shù)字圖像處理所得的復(fù)合型形態(tài)參數(shù)可以準(zhǔn)確預(yù)測(cè)單穗籽粒產(chǎn)量，從而表明利用機(jī)器視覺(jué)技術(shù)觀測(cè)小麥的生長(zhǎng)過(guò)程并實(shí)時(shí)預(yù)測(cè)產(chǎn)量的可行性。機(jī)器視覺(jué)技術(shù)能提供遠(yuǎn)高于常規(guī)農(nóng)藝性狀的高通量指標(biāo)集，為解析各類農(nóng)藝性狀之間的聯(lián)系及產(chǎn)量的通徑分析提供更多的途徑，但也造成高維指標(biāo)集和有價(jià)值信息提取的技術(shù)困難。應(yīng)用于田間小麥群體的機(jī)器視覺(jué)技術(shù)應(yīng)具備多尺度智能化自適應(yīng)的技術(shù)架構(gòu)，同時(shí)應(yīng)具備基于場(chǎng)景、群體、個(gè)體和器官的多空間尺度和苗期、分蘗期、拔節(jié)期等多生理時(shí)間尺度的統(tǒng)計(jì)性數(shù)字表型發(fā)現(xiàn)和計(jì)算能力，同時(shí)，機(jī)器視覺(jué)各技術(shù)研發(fā)環(huán)節(jié)和各技術(shù)模塊都需要農(nóng)藝學(xué)深度參與和校準(zhǔn)，而配備標(biāo)準(zhǔn)表型數(shù)據(jù)庫(kù)更是保障高通量技術(shù)實(shí)用性和可靠性的基礎(chǔ)。

機(jī)器視覺(jué)；單莖穗；高通量；表型指標(biāo)；單穗籽粒產(chǎn)量

0 引言

【研究意義】作物表型是植株個(gè)體在特定環(huán)境條件下表現(xiàn)出的性狀特征總和，高通量表型組學(xué)是指建立在可見(jiàn)光、近/遠(yuǎn)紅外、超光譜、X光成像等技術(shù)及分析平臺(tái)基礎(chǔ)上，且在短時(shí)間內(nèi)實(shí)現(xiàn)大數(shù)量植物個(gè)體多維表現(xiàn)型的高精度獲取和定量分析的現(xiàn)代技術(shù)體系[1]。其中，近年來(lái)數(shù)字圖像處理/機(jī)器視覺(jué)技術(shù)的發(fā)展為作物表型的無(wú)損和高通量采集提供了有效途徑，基于數(shù)字圖像技術(shù)的高通量表型分析平臺(tái)也日趨完善[2-3]。針對(duì)表型組學(xué)的現(xiàn)代信息技術(shù)為作物高通量表型研究提供多樣化的解決方案，也為解析田間群體條件下作物基因型和環(huán)境因子影響下的生理生態(tài)行為與機(jī)制提供全新的方法[4]。各類高通量表型技術(shù)種類繁多，解讀的小麥農(nóng)藝性狀各不相同，應(yīng)用場(chǎng)合也涉及多個(gè)平臺(tái)。然而不同類別高通量表型技術(shù)的基礎(chǔ)架構(gòu)特征尚未得到準(zhǔn)確表達(dá)?！厩叭搜芯窟M(jìn)展】就機(jī)器視覺(jué)技術(shù)看，近年來(lái)針對(duì)小麥的表型指標(biāo)研發(fā)的機(jī)器視覺(jué)技術(shù)已分別應(yīng)用于田間的麥穗識(shí)別[5-7]、籽粒計(jì)數(shù)[8-9]、株高檢測(cè)[10-11]及品種識(shí)別[12-14]、谷物含水率測(cè)定[15]、早期作物活力[16]等不同方面。除此之外，其他用于小麥等作物表型分析的技術(shù)類別涉及多光譜[17]或高光譜[18]、X射線-CT[19-21]、激光雷達(dá)[22-24]、熱成像[25]、無(wú)人機(jī)[26-28]、3D相機(jī)成像[29-30]等。與種類繁多的高通量表型技術(shù)相反的現(xiàn)象是目前許多作物學(xué)科關(guān)鍵的前沿研究仍然離不開(kāi)人工測(cè)試，如陳昱利等[31]在構(gòu)建冬小麥主莖葉片幾何參數(shù)模型時(shí)仍然基于人工測(cè)試的方法。陳留根等[32]基于人工記穗和測(cè)定生物量等工作。張明偉[33]等通過(guò)人工測(cè)量株高和莖節(jié)長(zhǎng)度的方式研究種植密度與肥料運(yùn)籌對(duì)莖稈抗倒伏能力的影響。然而針對(duì)小麥生理生態(tài)研究的相關(guān)報(bào)道鮮有涉及機(jī)器視覺(jué)技術(shù)方面的應(yīng)用，表明目前基于機(jī)器視覺(jué)的小麥高通量表型技術(shù)尚難于滿足作物學(xué)家的應(yīng)用需求。鑒于各類技術(shù)均以數(shù)字形式呈現(xiàn)作物的農(nóng)藝性狀，Reuzeau等[34]提出“數(shù)字表型”的概念，吳升等[35]也借鑒Multi-agent概念論證表型技術(shù)。各類技術(shù)既有工程科技的復(fù)雜性又涉及作物學(xué)生理生態(tài)議題，令“數(shù)字表型”的真實(shí)性和可靠性難于檢驗(yàn)?！颈狙芯壳腥朦c(diǎn)】現(xiàn)有的機(jī)器視覺(jué)表型技術(shù)通常針對(duì)小麥單一農(nóng)藝性狀分析，較少涉及不同類別農(nóng)藝性狀方面的研究。目前對(duì)田間群體條件的小麥單莖穗農(nóng)藝性狀的機(jī)器視覺(jué)表型分析仍不多見(jiàn)，此類技術(shù)的基本架構(gòu)特征尚未描述清楚，技術(shù)研發(fā)所需的功能模塊描述和界定仍不清楚，機(jī)器視覺(jué)高通量表型技術(shù)與農(nóng)藝學(xué)協(xié)調(diào)研發(fā)的內(nèi)在機(jī)制尚需探討?！緮M解決的關(guān)鍵問(wèn)題】本文僅僅使用田間群體條件稻茬麥成熟期的單莖穗表型指標(biāo)解析作為個(gè)例技術(shù)應(yīng)用，探討基于機(jī)器視覺(jué)的小麥高通量表型技術(shù)的基本構(gòu)架和技術(shù)研發(fā)要領(lǐng)。

1 材料與方法

1.1 試驗(yàn)設(shè)計(jì)

田間試驗(yàn)位于江蘇南京市八百橋（118°59′E，31°98′N(xiāo)），該區(qū)為亞熱帶季風(fēng)氣候，土壤類型為黃棕壤質(zhì)水稻土，長(zhǎng)期稻麥輪作。試驗(yàn)所用3個(gè)小麥品種分別為‘寧麥13’‘魯原502’和‘鄭麥9023’，播期為2017年11月6日，在水稻收獲后清除地表留茬，免耕精密條播，每個(gè)小區(qū)3次重復(fù)，隨機(jī)區(qū)組排列。

鑒于精確的栽培技術(shù)控制是獲得田間小麥一致的群體條件和穩(wěn)定的農(nóng)藝性狀的前提，因此田間小區(qū)用等孔距柵條精播板進(jìn)行單粒精播[36]，種子粒距為15 mm，行距為20 cm，播后人工覆土鎮(zhèn)壓（圖1）。小麥田間管理參照大田高產(chǎn)栽培規(guī)程，自然雨養(yǎng)。

a：播種Seeding；b：播種效果Effect of seeding

1.2 數(shù)字圖像獲取

鑒于小麥、水稻等分蘗作物在群體條件的機(jī)器視覺(jué)表型技術(shù)仍處于研究階段[19,37]，因此本文沿用人工取樣法操作。于成熟期沿地表剪下整株，每個(gè)品種選取50個(gè)單莖穗帶回實(shí)驗(yàn)室，按單莖穗分別處理。由于小麥成熟期葉片枯黃、幾何特征穩(wěn)定的葉片形態(tài)參數(shù)難于獲取，因此本文主要研究莖稈和麥穗的形態(tài)參數(shù)。人工去除葉片后，將多個(gè)樣本正面有條理地平放在白色背景板上。在室內(nèi)燈光照明條件下采用高120 cm的支架固定相機(jī)，使用尼康NiKon D3200型數(shù)碼相機(jī)對(duì)小麥進(jìn)行垂直拍攝，獲得清晰的單莖穗圖像（圖2-a），使用圖像處理技術(shù)提取小麥地上部單莖穗各器官的形態(tài)參數(shù)，包括莖稈長(zhǎng)、莖稈平均寬度、莖稈投影面積、莖稈周長(zhǎng)、麥穗長(zhǎng)、麥穗平均寬度、麥穗投影面積和麥穗周長(zhǎng)。

圖像采集完成后將其莖稈和麥穗分離。使葉片、莖稈和麥穗分別在105℃殺青30 min后，80℃烘干至恒重，稱重記錄各器官生物量，分別為單葉片質(zhì)量、單莖稈質(zhì)量和單穗質(zhì)量。將烘干后的麥穗進(jìn)行脫粒處理，獲得單穗籽粒產(chǎn)量。

1.3 數(shù)字圖像處理

作物表型技術(shù)研究往往需要大量試驗(yàn)樣本，故本文采用多個(gè)單莖穗組合一同拍攝，并逐一提取單個(gè)莖穗形態(tài)參數(shù)。主要步驟有圖像預(yù)處理、圖像分離和形態(tài)參數(shù)提取。

圖像預(yù)處理階段根據(jù)輸出效果進(jìn)行圖像的灰度調(diào)整，針對(duì)初始圖像的陰影及光照不均（圖2-a）調(diào)整其灰度直方圖（圖2-b）獲取適度增強(qiáng)和均衡化處理后的狀態(tài)（圖2-c），便于后續(xù)的表型分析。

鑒于RGB圖像相對(duì)較低的背景飽和度，將圖像RGB三顏色分量轉(zhuǎn)換為HSV三維顏色分量（圖3）。發(fā)現(xiàn)S分量直方圖中莖穗圖像飽和度和背景飽和度二者的分界比較明顯。進(jìn)而使用Otsu閾值分割法[38]，獲得單莖穗與背景的分離閾值。結(jié)合膨脹腐蝕和背景噪音消除，獲取新的二值圖像。

a：初始數(shù)字圖像Initial digital image；b：初始圖像直方圖Initial digital image histogram；c：直方圖均衡化Histogram equalization

a：H分量H component；b：S分量S component；c：V分量V component

統(tǒng)計(jì)圖像中連通區(qū)域的數(shù)量。對(duì)圖像采用8連通區(qū)域?qū)ふ遥M(jìn)行各連通區(qū)域的單獨(dú)調(diào)取獲得單個(gè)莖穗圖像。對(duì)圖像進(jìn)行逐行檢測(cè)，根據(jù)麥穗和莖稈之間的寬度差進(jìn)行莖穗分離。圖4中3條水平線表示莖穗分離效果。分別對(duì)麥穗部分和莖稈部分進(jìn)行形態(tài)參數(shù)提取。提取方法為（1）莖稈投影面積：莖稈部分的各行像素點(diǎn)累加求和；（2）莖稈周長(zhǎng)：莖稈部分外圍輪廓總長(zhǎng)度；（3）莖稈長(zhǎng)度：莖稈部分各行中心位置距離累加；（4）莖稈平均寬度：莖稈部分像素和與該部分所占行數(shù)比值。麥穗數(shù)字圖像的各形態(tài)參數(shù)提取方法同莖稈。

隨機(jī)選取一個(gè)品種莖稈長(zhǎng)和莖稈周長(zhǎng)作為檢驗(yàn)對(duì)象，人工測(cè)試并與數(shù)字圖像處理結(jié)果對(duì)比（圖5）?？梢钥闯鲱A(yù)測(cè)值與實(shí)測(cè)值擬合程度較好，莖稈長(zhǎng)預(yù)測(cè)決定系數(shù)2高達(dá)0.961，為9.583 mm。莖稈周長(zhǎng)預(yù)測(cè)決定系數(shù)2為0.969，為 15.563 mm。進(jìn)一步驗(yàn)證了機(jī)器視覺(jué)技術(shù)獲取數(shù)據(jù)的準(zhǔn)確性。

圖4 小麥莖稈與麥穗分離位置圖

1.4 高通量表型分析

小麥產(chǎn)量的形成是多因子交互及其過(guò)程性生物學(xué)表現(xiàn)[39]。相關(guān)分析和回歸分析是獲取農(nóng)藝性狀間定量關(guān)系和解讀產(chǎn)量形成機(jī)制的有效手段[40-42]，因此有必要對(duì)單莖穗表型指標(biāo)與其對(duì)應(yīng)產(chǎn)量的關(guān)系分析和回歸模型擬合。表1和表2分別為具體回歸模型。

1.5 數(shù)據(jù)處理

采用MATLAB R2014a軟件中數(shù)字圖像處理模塊進(jìn)行圖像處理和數(shù)據(jù)獲取，采用Microsoft Excel 2010和 SPSS 19.0 統(tǒng)計(jì)分析軟件進(jìn)行數(shù)據(jù)處理和分析。

2 結(jié)果

2.1 小麥單莖穗表型指標(biāo)與單穗籽粒產(chǎn)量的相關(guān)分析

表3表明3個(gè)品種的單莖生物量指標(biāo)與單穗籽粒產(chǎn)量的關(guān)系均達(dá)到極顯著正相關(guān)，其中單穗質(zhì)量與其籽粒產(chǎn)量相關(guān)最顯著。鑒于單莖的葉片質(zhì)量與莖稈質(zhì)量是小麥生長(zhǎng)過(guò)程種的性狀，而且同樣顯著影響單穗籽粒產(chǎn)量，因此調(diào)控小麥群體，保障每一莖株均衡的生物量是促成群體高產(chǎn)形成的關(guān)鍵。品種的差異性十分顯著，寧麥13、魯原502、鄭麥0923的單莖葉片質(zhì)量與單穗籽粒產(chǎn)量的相關(guān)定系數(shù)依次下降，表明不同品種小麥的單穗籽粒產(chǎn)量的表達(dá)各不相同，高產(chǎn)群體的構(gòu)建策略也應(yīng)有所區(qū)別。

a：莖稈長(zhǎng)Single stem length；b：莖稈周長(zhǎng)Single stem circumference

小麥單莖穗形態(tài)參數(shù)與單穗籽粒產(chǎn)量的相關(guān)性顯著低于上述生物量指標(biāo)（表4），但單穗投影面積、單穗長(zhǎng)與單穗籽粒產(chǎn)量依然存在顯著正相關(guān)，這進(jìn)一步表明前期人們開(kāi)展的基于穗部性狀數(shù)字圖像分析技術(shù)的可靠性[8, 43]。另外，不同品種間也表現(xiàn)出明顯的顯著性差異，鄭麥9023的地上部各器官生物量指標(biāo)與單穗籽粒產(chǎn)量的相關(guān)性最低，表明基于機(jī)器視覺(jué)的表型分析技術(shù)對(duì)不同小麥品種的敏感性具有差異性。

表1 小麥單莖穗地上部生物量與單穗籽粒產(chǎn)量回歸模型

SEY：?jiǎn)嗡胱蚜．a(chǎn)量；SLW：?jiǎn)稳~片質(zhì)量；SSW：?jiǎn)吻o稈質(zhì)量；SEW：?jiǎn)嗡胭|(zhì)量。下同

SEY: Single ear yield; SLW: Single leaf weight; SSW: Single stem weight; SEW: Single ear weight. The same as below

表2 小麥單莖穗莖稈和麥穗形態(tài)參數(shù)與單穗籽粒產(chǎn)量回歸模型

SEL：?jiǎn)嗡腴L(zhǎng)；SEAW：?jiǎn)嗡肫骄鶎挾?；SEA：?jiǎn)嗡胪队懊娣e；SEC：?jiǎn)嗡胫荛L(zhǎng)；SSL：?jiǎn)吻o長(zhǎng)；SSAW：?jiǎn)吻o平均寬度；SSA：?jiǎn)吻o投影面積；SSC：?jiǎn)吻o周長(zhǎng)。下同

SEL: Single ear length; SEAW: Average width of single ear; SEA: Single ear area; SEC: Single ear circumference; SSL: Single stem length; SSAW: Average width of single stem; SSA: Single stem area; SSC: Single stem circumference. The same as below

表3 小麥單莖穗地上部生物量與單穗籽粒產(chǎn)量的相關(guān)性

*＜0.05 水平差異顯著；**＜0.01 水平差異顯著。下同

* Significance at＜0.05; ** Significance at＜0.01. The same as below

2.2 小麥單莖穗生物量與單穗籽粒產(chǎn)量的回歸分析

小麥單穗穗重與單穗籽粒產(chǎn)量回歸模型擬合結(jié)果表明（表5），寧麥13的各回歸模型均表現(xiàn)出最高的擬合精度，不同模型間對(duì)比發(fā)現(xiàn)單穗穗重與單穗籽粒產(chǎn)量之間的最佳回歸為二次模型，線性模型次之，指數(shù)模型最小。表6顯示單莖葉重、莖稈重和穗重與單穗籽粒產(chǎn)量間的關(guān)系，其中寧麥13和鄭麥9023的各生物量指標(biāo)與單穗籽粒產(chǎn)量間的主導(dǎo)關(guān)系為拓展模型。魯原502小麥的最優(yōu)擬合為線性模型。表5—6表明在單莖穗尺度的生物量性狀對(duì)預(yù)測(cè)單穗籽粒產(chǎn)量的重要性，也進(jìn)一步從單莖穗尺度證明小麥群體高產(chǎn)理論重視3個(gè)產(chǎn)量要素的合理性。但本文基于單莖穗的各生物量解析對(duì)應(yīng)單穗籽粒產(chǎn)量的意義在于能夠從一定程度證明高產(chǎn)群體的構(gòu)建需要考慮小麥生長(zhǎng)過(guò)程的生物量均衡調(diào)控的重要性，株間、株內(nèi)各莖蘗間生長(zhǎng)過(guò)程中葉片、莖稈等生物量形成的均衡性是保障穗部籽粒產(chǎn)量均衡性的物質(zhì)基礎(chǔ)。

表4 小麥單莖穗莖稈和麥穗形態(tài)參數(shù)與單穗籽粒產(chǎn)量的相關(guān)性

表5 小麥單穗穗重與單穗籽粒產(chǎn)量回歸模型擬合結(jié)果

表6 小麥單莖穗莖稈重、葉重和穗重與單穗籽粒產(chǎn)量回歸模型擬合結(jié)果

2.3 小麥單莖穗形態(tài)參數(shù)與單穗籽粒產(chǎn)量的回歸分析

單莖穗地上部各器官生物量指標(biāo)雖能夠準(zhǔn)確對(duì)應(yīng)單穗籽粒產(chǎn)量，但生物量指標(biāo)只能從機(jī)器視覺(jué)技術(shù)的間接計(jì)算獲取[44]，機(jī)器視覺(jué)的直接輸出指標(biāo)涉及圖像的形態(tài)學(xué)參數(shù)，因此單莖穗形態(tài)參數(shù)與單穗籽粒產(chǎn)量之間的關(guān)系更能體現(xiàn)出機(jī)器視覺(jué)表型技術(shù)的特色。麥穗形態(tài)參數(shù)與單穗籽粒產(chǎn)量間的擬合結(jié)果見(jiàn)表7，但麥穗形態(tài)參數(shù)并不能準(zhǔn)確對(duì)應(yīng)單穗籽粒產(chǎn)量。進(jìn)一步將小麥單莖穗的莖稈和麥穗形態(tài)參數(shù)組合應(yīng)用時(shí)，其與單穗籽粒產(chǎn)量的擬合精度顯著改善，且都以拓展模型為最佳（表8）。其中魯原502決定系數(shù)達(dá)到0.935，實(shí)現(xiàn)了與上述生物量指標(biāo)基本一致的擬合效果。鑒于表8的所有形態(tài)參數(shù)都直接來(lái)自數(shù)字圖像的一次性處理且無(wú)需涉及間接對(duì)應(yīng)的生物量指標(biāo)所需的復(fù)雜映射、算法和繁瑣的標(biāo)定，其對(duì)于今后構(gòu)建田間群體條件下，基于機(jī)器視覺(jué)技術(shù)的小麥生理生態(tài)研究的重要性顯而易見(jiàn)。

表7 小麥麥穗形態(tài)參數(shù)與單穗籽粒產(chǎn)量回歸模型擬合結(jié)果

表8 小麥莖稈和麥穗形態(tài)參數(shù)與單穗籽粒產(chǎn)量回歸模型擬合結(jié)果

3 討論

3.1 機(jī)器視覺(jué)技術(shù)的多尺度智能化自適應(yīng)架構(gòu)

趙春江等[45]從技術(shù)發(fā)展的成熟度角度將數(shù)字植物分解為“數(shù)字可視”“數(shù)字生理”等階段。吳升等[35]又從技術(shù)的屬性將智能植物系統(tǒng)劃分為感知器Agent、數(shù)據(jù)處理Agent等不同的功能Agent組件。本文針對(duì)稻茬麥單莖穗表型高通量分析的個(gè)例應(yīng)用實(shí)現(xiàn)對(duì)這兩種技術(shù)分類的具體解讀：一方面，基于機(jī)器視覺(jué)技術(shù)的單莖穗高通量表型指標(biāo)與對(duì)應(yīng)產(chǎn)量的關(guān)聯(lián)分析突出了“數(shù)字生理”技術(shù)是當(dāng)前階段技術(shù)發(fā)展的瓶頸，也是智慧農(nóng)業(yè)軟硬件系統(tǒng)走向?qū)嵱没年P(guān)鍵內(nèi)核；另一方面，本文基于人工的各技術(shù)操作過(guò)程也進(jìn)一步體現(xiàn)出機(jī)器視覺(jué)高通量表型技術(shù)必須分環(huán)節(jié)處理各功能組件的重要性。

基于機(jī)器視覺(jué)的高通量表型技術(shù)既是機(jī)遇也是挑戰(zhàn)。機(jī)器視覺(jué)提供基于單莖穗尺度的表型指標(biāo)與單穗籽粒產(chǎn)量的相關(guān)分析和回歸分析為小麥生理生態(tài)研究帶來(lái)新的機(jī)遇，也是“數(shù)字生理”的具體體現(xiàn)。而該技術(shù)的挑戰(zhàn)可從本研究的諸多方面體現(xiàn)，包括破壞性取樣不符合田間無(wú)損監(jiān)測(cè)、以人工經(jīng)驗(yàn)拍攝獲取最佳圖像、以感官輔助支持圖像計(jì)算和器官識(shí)別、以作物學(xué)專業(yè)經(jīng)驗(yàn)進(jìn)行數(shù)字表型設(shè)計(jì)、以農(nóng)藝性狀的背景知識(shí)引導(dǎo)相關(guān)分析和回歸分析以及用專家經(jīng)驗(yàn)發(fā)現(xiàn)和解讀價(jià)值信息。因此基于機(jī)器視覺(jué)的小麥高通量表型技術(shù)面臨的巨大挑戰(zhàn)顯而易見(jiàn)。

本文的個(gè)例應(yīng)用也進(jìn)一步表明高通量表型技術(shù)研發(fā)應(yīng)同時(shí)關(guān)注兩方面基礎(chǔ)構(gòu)架設(shè)計(jì)：空間多尺度和時(shí)間多尺度。空間構(gòu)架需要研發(fā)基于場(chǎng)景、群體、個(gè)體、器官尺度的智能化多尺度自適應(yīng)圖像獲取技術(shù)[25]。時(shí)間多尺度構(gòu)架則需要針對(duì)小麥不同生育期，構(gòu)建統(tǒng)計(jì)性表達(dá)的數(shù)字表型及其對(duì)應(yīng)農(nóng)藝性狀的基礎(chǔ)知識(shí)庫(kù)，以及整個(gè)生育期的機(jī)器視覺(jué)標(biāo)定數(shù)據(jù)庫(kù)?？紤]到現(xiàn)有小麥品系之多，這一工作十分復(fù)雜。

3.2 機(jī)器視覺(jué)技術(shù)的高通量表型相關(guān)分析和回歸分析

基于機(jī)器視覺(jué)的小麥高通量表型技術(shù)是探究和解析作物生產(chǎn)科學(xué)的重要途徑。僅從近期的少量文獻(xiàn)看出具備機(jī)器視覺(jué)表型技術(shù)特征的小麥農(nóng)藝性狀超過(guò)30個(gè)，涉及葉片表型性狀[31]、穗部性狀[8, 39]、株高與莖節(jié)性狀[46]等。如果再把這些機(jī)器視覺(jué)表型指標(biāo)與生物量和生理生態(tài)性狀等全部整合，那么高通量分析的數(shù)據(jù)將高達(dá)數(shù)十維。此時(shí)如果按照仇瑞承等[44]的組合方法構(gòu)建模型，則所需的擬合模型將會(huì)更多。這也印證了周濟(jì)等[25]的判斷，智慧農(nóng)業(yè)的高通量表型技術(shù)的農(nóng)藝性狀信息挖掘是今后的巨大挑戰(zhàn)。

基于機(jī)器視覺(jué)的小麥高通量表型數(shù)據(jù)為作物生理生態(tài)研究提供豐富的再解讀途徑，而且該技術(shù)帶來(lái)了作物表型指標(biāo)集的爆炸式增長(zhǎng)，因此可能導(dǎo)致“數(shù)字生理”的準(zhǔn)確性和可靠性問(wèn)題。匹配和校驗(yàn)“數(shù)字作物表型”與實(shí)體作物性狀的真實(shí)性和準(zhǔn)確性、使用真實(shí)作物生理生態(tài)機(jī)制標(biāo)定數(shù)字作物表型間的內(nèi)在聯(lián)系、以及使用數(shù)字作物表型預(yù)測(cè)產(chǎn)量等都是當(dāng)前數(shù)字農(nóng)業(yè)的深層次技術(shù)問(wèn)題。本文實(shí)現(xiàn)了小麥單莖穗表型指標(biāo)與單穗籽粒產(chǎn)量的相關(guān)分析和回歸擬合分析。研究結(jié)果充分表明，基于機(jī)器視覺(jué)的高通量表型技術(shù)在解析田間群體條件的小麥生理生態(tài)和基于單莖穗尺度的大田群體管理研究的重要性。

3.3 數(shù)字表型的小麥生理生態(tài)鏡像特征及農(nóng)藝標(biāo)定

基于機(jī)器視覺(jué)的作物高通量表型技術(shù)有別于虛擬植物，后者以模型驅(qū)動(dòng)為主，輔以實(shí)體作物的標(biāo)定[47-48]。而機(jī)器視覺(jué)作物高通量表型技術(shù)體系并不依賴作物模型驅(qū)動(dòng)，直接以實(shí)體作物的真實(shí)農(nóng)藝性狀作為數(shù)字化對(duì)象，因此能夠利用數(shù)字深加工和模型分析獲取田間群體條件下的小麥生理生態(tài)解析。鑒于高通量表型指標(biāo)的復(fù)雜性，本文僅僅使用小麥單莖穗簡(jiǎn)單的形態(tài)參數(shù)進(jìn)行測(cè)試，這也可能在某種程度上導(dǎo)致本文的擬合精度不盡理想。因此，貫穿于機(jī)器視覺(jué)高通量表型技術(shù)的各環(huán)節(jié)、各技術(shù)組件的研發(fā)都需要農(nóng)藝學(xué)深度的參與和反復(fù)校驗(yàn)，高強(qiáng)度的農(nóng)藝學(xué)校準(zhǔn)和標(biāo)定是保障高通量機(jī)器視覺(jué)技術(shù)走向可靠與成熟的關(guān)鍵，目前的學(xué)科分割狀態(tài)需要更加積極的跨學(xué)科團(tuán)隊(duì)協(xié)作機(jī)制。

更為宏觀層面的數(shù)字作物測(cè)試技術(shù)面臨的挑戰(zhàn)已在相關(guān)文獻(xiàn)中討論[45]。潘映紅[4]提出了映射性狀、目標(biāo)性狀、未知性狀等諸多概念。若將本文針對(duì)機(jī)器視覺(jué)技術(shù)的“鏡像數(shù)字表型”與作物的“實(shí)體性狀”的關(guān)系討論推廣到目前的各類技術(shù)路線，可以發(fā)現(xiàn)在各類技術(shù)體系環(huán)節(jié)中貫穿農(nóng)藝學(xué)校準(zhǔn)和標(biāo)定的工作量之艱巨、實(shí)施難度之大，從而令我們看到“數(shù)字作物表型”在其技術(shù)層面的實(shí)質(zhì)是屬于大科學(xué)工程的基本特征，其組織實(shí)施需要跨學(xué)科的戰(zhàn)略設(shè)計(jì)和精細(xì)技術(shù)構(gòu)架設(shè)計(jì)。

4 結(jié)論

基于機(jī)器視覺(jué)技術(shù)的作物高通量表型分析能夠推動(dòng)從小麥的場(chǎng)景到器官尺度實(shí)現(xiàn)田間小麥的生理生態(tài)過(guò)程解讀。小麥單莖穗表型指標(biāo)與單穗籽粒產(chǎn)量的相關(guān)分析和回歸擬合分析是解析田間群體條件的小麥生理生態(tài)和管理研究的重要途徑?；跈C(jī)器視覺(jué)的作物高通量表型技術(shù)研發(fā)的環(huán)節(jié)繁瑣，且各環(huán)節(jié)都需要深度的農(nóng)藝學(xué)參與、標(biāo)定和校準(zhǔn)。

[1] 潘銳, 熊勤學(xué), 張文英. 數(shù)字圖像技術(shù)及其在作物表型研究中的應(yīng)用研究進(jìn)展. 長(zhǎng)江大學(xué)學(xué)報(bào)（自然科學(xué)版）, 2016, 13(21): 38-41, 46.

Pan Y, XIONG Q X, ZHANG W Y. Research advances in digital image technology and its application in crop phenotype., 2016, 13(21): 38-41, 46. (in Chinese)

[2] SINGH A, GANAPATHYSUBRAMANIAN B, SINGH A K, SARKAR S. Machine learning for high-throughput stress phenotyping in plants., 2015, 21(2): 110-124.

[3] GOGGIN F L, LORENCE A, TOPP C N. Applying high-through-put phenotyping to plant-insect interactions: picturing more resistant crops., 2015, 9: 69-76.

[4] 潘映紅. 論植物表型組和植物表型組學(xué)的概念與范疇. 作物學(xué)報(bào), 2015, 41(2): 175-186.

PAN Y H. Analysis of concepts and categories of plant phenome and phenomics., 2015, 41(2): 175-186.(in Chinese)

[5] 范夢(mèng)揚(yáng), 馬欽, 劉峻明, 王慶, 王越, 段熊春. 基于機(jī)器視覺(jué)的大田環(huán)境小麥麥穗計(jì)數(shù)方法. 農(nóng)業(yè)機(jī)械學(xué)報(bào), 2015, 46(s1): 234-239.

FAN M Y, MA Q, LIU J M, WANG Q, WANG Y, DUAN X C. Counting method of wheatear in field based on machine vision technology., 2015, 46(s1): 234-239. (in Chinese)

[6] 路文超, 羅斌, 潘大宇, 趙勇, 于春花, 王成. 基于圖像處理的小麥穗長(zhǎng)和小穗數(shù)同步測(cè)量. 中國(guó)農(nóng)機(jī)化學(xué)報(bào), 2016, 37(6): 210-215.

LU W C, LUO B, PAN D Y, ZHAO Y, YU C H, WANG C. Synchronous measurement of wheat ear length and spikelets number based on image processing., 2016, 37(6): 210-215. (in Chinese)

[7] 劉濤, 孫成明, 王力堅(jiān), 仲曉春, 朱新開(kāi), 郭文善. 基于圖像處理技術(shù)的大田麥穗計(jì)數(shù). 農(nóng)業(yè)機(jī)械學(xué)報(bào), 2014, 45(2): 282-290.

LIU T, SUN C M, WANG L J, ZHONG X C, ZHU X K, GUO W S. In-field wheatear counting based on image processing technology., 2014, 45(2): 282-290. (in Chinese)

[8] 杜世偉, 李毅念, 姚敏, 李玲, 丁啟朔, 何瑞銀. 基于小麥穗部小穗圖像分割的籽粒計(jì)數(shù)方法. 南京農(nóng)業(yè)大學(xué)學(xué)報(bào), 2018, 41(4): 742-751.

DU S W, LI Y N, YAO M, LI L, DING Q S, HE R Y. Counting method of grain number based on wheatear spikelet image segmentation., 2018, 41(4): 742-751. (in Chinese)

[9] 趙三琴, 李毅念, 丁為民, 呂俊逸, 王心怡. 稻穗結(jié)構(gòu)圖像特征與籽粒數(shù)相關(guān)關(guān)系分析. 農(nóng)業(yè)機(jī)械學(xué)報(bào), 2014, 45(12): 323-328.

ZHAO S Q, LI Y N, DING W M, Lü J Y, WANG X Y. Relative analysis between image characteristics of panicle structure and spikelet number., 2014, 45(12): 323-328. (in Chinese)

[10] HU P, CHAPMAN S C, WANG X, POTGIETER A, DUAN T, JORDAN D, GUO Y, ZHENG B. Estimation of plant height using a high throughput phenotyping platform based on unmanned aerial vehicle and self-calibration: Example for sorghum breeding., 2018, 95: 24-32.

[11] 牛慶林, 馮海寬, 楊貴軍, 李長(zhǎng)春, 楊浩, 徐波, 趙衍鑫. 基于無(wú)人機(jī)數(shù)碼影像的玉米育種材料株高和LAI監(jiān)測(cè). 農(nóng)業(yè)工程學(xué)報(bào), 2018, 34(5): 73-82.

NIU Q L, FENG H K, YANG G J, LI C C, YANG H, XU B, ZHAO Y X. Monitoring plant height and leaf area index of maize breeding material based on UAV digital images., 2018, 34(5): 73-82. (in Chinese)

[12] 樊超, 夏旭, 石小鳳, 侯利龍. 基于優(yōu)化神經(jīng)網(wǎng)絡(luò)的小麥品種分類研究. 河南工業(yè)大學(xué)學(xué)報(bào)(自然科學(xué)版), 2012, 33(4): 72-76.

FAN C, XIA X, SHI X F, HOU L L. Research on wheat variety classification based on optimized artificial neural network., 2012, 33(4): 72-76. (in Chinese)

[13] 何勝美, 李仲來(lái), 何中虎. 基于圖像識(shí)別的小麥品種分類研究. 中國(guó)農(nóng)業(yè)科學(xué), 2005, 38(9): 1869-1875.

HE S M, LI Z L, HE Z H. Classification of wheat cultivar by digital image analysis., 2005, 38(9): 1869-1875. (in Chinese)

[14] MEBATSION H K, PALIWAL J, JAYAS D S. A novel, invariant elliptic Fourier coefficient based classification of cereal grains., 2012, 111(4): 422-428.

[15] TAHIR A R, NEETHIRAJAN S, JAYAS D S, SHAHIN M A, SYMONS S J, WHITE N D G. Evaluation of the effect of moisture content on cereal grains by digital image analysis., 2007, 40(9): 1140-1145.

[16] KIPP S, MISTELE B, BARESEL P, SCHMIDHALTER U. High-throughput phenotyping early plant vigour of winter wheat., 2014, 52: 271-278.

[17] 張猛, 孫紅, 李民贊, Zhang Q, 鄭立華. 基于4波段作物光譜測(cè)量?jī)x的小麥分蘗數(shù)預(yù)測(cè). 農(nóng)業(yè)機(jī)械學(xué)報(bào), 2016, 47(9): 341-347.

ZHANG M, Sun H, LI M Z, ZHANG Q, ZHENG L H. Prediction of winter wheat tiller number based on 4-waveband crop monitor with spectral reflectance., 2016, 47(9): 341-347. (in Chinese)

[18] 任建強(qiáng), 吳尚蓉, 劉斌, 陳仲新, 劉杏認(rèn), 李賀. 基于Hyperion高光譜影像的冬小麥地上干生物量反演. 農(nóng)業(yè)機(jī)械學(xué)報(bào), 2018, 49(4): 199-211.

REN J Q, WU S R, LIU B, CHEN Z X, LIU X R, LI H. Retrieving winter wheat above-ground dry biomass based on hyperion hyperspectral imagery., 2018, 49(4): 199-211. (in Chinese)

[19] 吳迪, 楊萬(wàn)能, 牛智有, 黃成龍. 小麥分蘗形態(tài)學(xué)特征X射線-CT無(wú)損檢測(cè). 農(nóng)業(yè)工程學(xué)報(bào), 2017, 33(14): 196-201.

WU D, YANG W N, NIU Z Y, HUANG C L. Non-destructive detection of wheat tiller morphological traits based on X-ray CT technology., 2017, 33(14): 196-201. (in Chinese)

[20] YANG W, XU X, CHEN S, DUAN L, LUO Q, CHEN S, ZENG S, LIU Q. High-throughput measurement of rice tillers using a conveyor equipped with x-ray computed tomography., 2011, 82(2): 025102-025109.

[21] NEETHIRAJAN S, JAYAS D S, WHITE N D G. Detection of sprouted wheat kernels using soft X-ray image analysis., 2007, 81(3): 509-513.

[22] KRONENBERG L, YU K, WALTER A, HUND A. Monitoring the dynamics of wheat stem elongation: genotypes differ at critical stages., 2017, 213(7): 157-170.

[23] REISER D, VáZQUEZ-ARELLANO M, PARAFOROS D S, MARRIDO-IZARD M, GRIEPENTROG H W. Iterative individual plant clustering in maize with assembled 2D LiDAR data., 2018, 99: 42-52.

[24] JIMENEZ-BERNI J A, DEERY D M, ROZAS-LARRAONDO P, Condon A G, Rebetzke G J, Greg J, James R A, Bovill W D, Furbank R T, Sirault X R R. High throughput determination of plant height, ground cover, and above-ground biomass in wheat with LiDAR., 2018, 9(237): 1-18.

[25] 周濟(jì), TARDIEU F, PRIDMORE T, DOONAN J, REYNOLDS D, HALL N, GRIFFITHS S, 程濤, 朱艷, 王秀娥, 姜東, 丁艷峰. 植物表型組學(xué): 發(fā)展、現(xiàn)狀與挑戰(zhàn). 南京農(nóng)業(yè)大學(xué)學(xué)報(bào), 2018, 41(4): 580-588.

ZHOU J, TARDIEU F, PRIDMORE T, DOONAN J, REYNOLDS D, HALL N, GRIFFITHS S, CHENG T, ZHU Y, WANG X E, JIANG D, DING Y F. Plant phenomics: History, present status and challenges., 2018, 41(4): 580-588. (in Chinese)

[26] JIN X, LIU S, BARET F, HEMERLé M, COMAR A. Estimates of plant density of wheat crops at emergence from very low altitude UAV imagery., 2017, 198: 105-114.

[27] KIM D, YUN H S, JEONG S, KWON Y, KIM S, LEE W S, KIM H. Modeling and testing of growth status for Chinese cabbage and white radish with UAV-Based RGB imagery., 2018, 10(4): 563-588.

[28] KHAN Z, RAHIMI-EICHI V, HAEFELE S, GARNETT T, MIKLAVCIC S J. Estimation of vegetation indices for high-throughput phenotyping of wheat using aerial imaging., 2018, 14(1): 20.

[29] HE J Q, HARRISON R J, LI B. A novel 3D imaging system for strawberry phenotyping., 2017, 13(1): 93-101.

[30] WALTER J, EDWARDS J, MCDONALD G, KUCHEL H. Photogrammetry for the estimation of wheat biomass and harvest index., 2018, 216: 165-174.

[31] 陳昱利, 楊平, 張文宇, 張偉欣, 諸葉平, 李世娟, 鞏法江, 畢海濱, 岳霆, 曹宏鑫. 越冬前冬小麥主莖葉片幾何參數(shù)模型研究. 麥類作物學(xué)報(bào), 2015, 35(12): 1719-1726.

CHEN Y L, YANG P, ZHANG W Y, ZHANG W X, ZHU Y P, LI S J, GONG F J, BI H B, YUE T, CAO H X. Study on main geometrical parameter models of leaf blade at pre-overwintering of winter wheat., 2015, 35(12): 1719-1726. (in Chinese)

[32] 陳留根, 劉紅江, 沈明星, 鄭建初. 不同播種方式對(duì)小麥產(chǎn)量形成的影響. 江蘇農(nóng)業(yè)學(xué)報(bào), 2015, 31(4): 786-791.

CHEN L G, LIU H J, SHEN M X, ZHENG J C. Effects of different seeding modes on grain yield formation of wheat., 2015, 31(4): 786-791. (in Chinese)

[33] 張明偉, 馬泉, 丁錦峰, 李春燕, 朱新開(kāi), 封超年, 郭文善. 密度與肥料運(yùn)籌對(duì)遲播小麥產(chǎn)量和莖稈抗倒能力的影響. 麥類作物學(xué)報(bào), 2018, 38(5): 584-592.

ZHANG M W, MA Q, DING J F, LI C Y, ZHU X K, FENG C N, GUO W S. Effect of density and nitrogen application on clum lodging resistance and yield of late sowing wheat., 2018, 38(5): 584-592. (in Chinese)

[34] REUZEAU C, PEN J, FRANKARD V, WOLF J, PEERBOLTE R, BROEKAERT W, CAMP W. TraitMill: a discovery engine for identifying yield-enhancement genes in cereals., 2005, 3(5): 753-759.

[35] 吳升, 郭新宇, 苗騰, 肖伯祥, 溫維亮, 趙春江. 基于Multi-Agent的智能植物系統(tǒng)的構(gòu)建與應(yīng)用研究. 中國(guó)農(nóng)業(yè)科技導(dǎo)報(bào), 2017, 19(5): 60-69.

WU S, GUO X Y, MIAO T, XIAO B X, WEN W L, ZHAO C J. Construction and application of intelligent plant platform based on Multi-Agent., 2017, 19(5): 60-69. (in Chinese)

[36] 芮超杰. 稻茬麥免耕種植技術(shù)模式及其效應(yīng)研究[D]. 南京: 南京農(nóng)業(yè)大學(xué), 2016.

RUI C J. Research on no-till post-paddy wheat seeding technologies and its’ effect[D]. Nanjing: Nanjing Agricultural University, 2016. (in Chinese)

[37] 馮慧, 熊立仲, 陳國(guó)興, 楊萬(wàn)能, 劉謙. 基于高光譜成像和主成分分析的水稻莖葉分割. 激光生物學(xué)報(bào), 2015, 24(1): 31-37.

FENG H, XIONG L Z, CHEN G X, YANG W N, LIU Q. The segmentation of leaf and stem of individual rice plant with hyperspectral imaging system and principal component analysis., 2015, 24(1): 31-37. (in Chinese)

[38] OTSU N. A threshold selection method from gray-level histograms., 1979, 9(1): 62-66.

[39] 陳昱利, 楊平, 張文宇, 張偉欣, 諸葉平, 李世娟, 鞏法江, 畢海濱, 岳霆, 曹宏鑫. 基于生物量的冬小麥穗部主要形態(tài)參數(shù)模型. 作物學(xué)報(bào), 2017, 43(3): 399-406.

CHEN Y L, YANG P, ZHANG W Y, ZHANG W X, ZHU Y P, LI S J, GONG F J, BI H B, YUE T, CAO H X. Biomass-based main spike morphological parameter model for winter wheat., 2017, 43(3): 399-406. (in Chinese)

[40] 亓振, 趙廣才, 常旭虹, 王德梅, 陶志強(qiáng), 楊玉雙, 王美, 范仲卿, 郭明明, 王雨, 孫通, 劉孝成. 小麥產(chǎn)量與農(nóng)藝性狀的相關(guān)分析和通徑分析. 作物雜志, 2016(3): 45-50.

QI Z, ZHAO G C, CHANG X H, WANG D M, TAO Z Q, YANG Y S, WANG M, FAN Z Q, GUO M M, WANG Y, LIU T, LIU X C. Correlation and path analysis on wheat yield and agronomic indices., 2016(3): 45-50. (in Chinese)

[41] 周延輝, 朱新開(kāi), 郭文善, 封超年. 稻茬小麥中高產(chǎn)水平下產(chǎn)量及其構(gòu)成因素分析. 麥類作物學(xué)報(bào), 2018, 28(3): 293-297.

ZHOU Y H, ZHU X K, GUO W S, FENG C N. Analysis of yield and yield components of wheat after rice on medium-high-yielding level., 2018, 28(3): 293-297. (in Chinese)

[42] 蔣霓. 單株水稻綠葉面積無(wú)損測(cè)量方法研究[D]. 武漢: 華中科技大學(xué), 2014.

JIANG N. A non-destructive method for total green leaf area estimation of individual rice plants[D]. Wuhan: Huazhong University of Science and Technology, 2014. (in Chinese)

[43] 龔紅菊, 姬長(zhǎng)英. 基于圖像處理技術(shù)的麥穗產(chǎn)量測(cè)量方法. 農(nóng)業(yè)機(jī)械學(xué)報(bào), 2007, 38(12): 116-119.

GONG H J, JI C Y. Estimating yield of wheat spike with its texture features based on image processing technology., 2007, 38(12): 116-119. (in Chinese)

[44] 仇瑞承, 苗艷龍, 張漫, 李寒, 孫紅. 基于線性回歸的玉米生物量預(yù)測(cè)模型及驗(yàn)證. 農(nóng)業(yè)工程學(xué)報(bào), 2018, 34(10): 131-137.

QIU R C, MIAO Y L, ZHANG M, LI H, SONG H. Modeling and verification of maize biomass based on linear regression analysis., 2018, 34(10): 131-137. (in Chinese)

[45] 趙春江, 陸聲鏈, 郭新宇, 杜建軍, 溫維亮, 苗騰. 數(shù)字植物研究進(jìn)展:植物形態(tài)結(jié)構(gòu)三維數(shù)字化. 中國(guó)農(nóng)業(yè)科學(xué), 2015, 48(17): 3415-3428.

ZHAO C J, LU S L, GUO X Y, DU J J, WEN W L, MIAO T. Advances in research of digital plant: 3D digitization of plant morphological structure., 2015, 48(17): 3415-3428. (in Chinese)

[46] 邵慶勤, 周琴, 王笑, 蔡劍, 黃梅, 戴廷波, 姜東. 種植密度對(duì)不同小麥品種莖稈形態(tài)特征、化學(xué)成分及抗倒性能的影響. 南京農(nóng)業(yè)大學(xué)學(xué)報(bào), 2018, 41(5): 808-816.

SHAO Q Q, ZHOU Q, WANG X, CAI J, HUANG M, DAI T B, JIANG D. Effects of planting density on stem morphological characteristics, chemical composition and lodging resistance of different wheat varieties., 2018, 41(5): 808-816. (in Chinese)

[47] 雷曉俊, 湯亮, 張永會(huì), 姜海燕, 曹衛(wèi)星, 朱艷. 小麥麥穗幾何模型構(gòu)建與可視化. 農(nóng)業(yè)工程學(xué)報(bào), 2011, 27(3): 179-184.

LEI X J, TANG L, ZHANG Y H, JIANG H Y, CAO W X, ZHU Y. Geometric model and visualization of wheat spike., 2011, 27(3): 179-184. (in Chinese)

[48] 楊月, 劉兵, 劉小軍, 劉蕾蕾, 范雪梅, 曹衛(wèi)星, 朱艷. 小麥生育期模擬模型的比較研究. 南京農(nóng)業(yè)大學(xué)學(xué)報(bào), 2014, 37(1): 6-14.

YANG Y, LIU B, LIU X J, LIU L L, FAN X M, CAO W X, ZHU Y. Comparison of phasic development models in wheat., 2014, 37(1): 6-14. (in Chinese)

High-throughput phenotyping of individual wheat stem and ear traits with machine vision

DING QiShuo1,LI HaiKang1,SUN KeRun2,HE RuiYin1, WANG XiaoChan1, LIU FuXi1, LI Xiang1

(1College of Engineering, Nanjing Agricultural University/Key Laboratory of Intelligent Agricultural Equipment of Jiangsu Province, Nanjing 210031;2Jiangsu Yinhua Chunxiang Machinery Manufacturing Co. Ltd., Lianyungang 222200, Jiangsu)

【】 High-throughput phenotyping (HTP) is not only an important tool of modern agriculture for crop breeding, but also a powerful means to illustrate physiological and ecological mechanisms of crops in the field. However, the basic features of structural components of each HTP tools have to be illustrated. It is therefore necessary to investigate what a technical feature is applicable to machine vision based HTP system.【】 An image-processing tool was developed to measure stem-and-ear level traits of each individual wheat stem. Three wheat species, i.e. Ningmai 13, Luyuan 502 and Zhengmai 9023, were used for plot experiment analysis. The wheat was sown with luffer board having equally spaced seeding holes. The precision seeding tools were applied to control wheat population accurately. At the maturity of post-paddy wheat, the integrated image of stem and ear was obtained, and the image was subjected to gray enhancement, histogram equalization, S component extraction, Otsu threshold segmentation, stem and ear separation, and stem and ear morphology parameters. The morphological parameters of the individual organs per stem-panicle of the extracted post-paddy wheat included stem length, average stem width, stem projection area, stem circumference, ear length, average ear width, ear projection area and ear circumference. In addition, traditional methods of measurement were used to derive single leaf weight, single stem weight, single ear weight and single ear yield etc. Linear, quadratic, extended and exponential models were applied for the regression on the collected multi-dimensional data sets, including correlations between ear and stem level biomass and individual ear grain yield, interrelationships among morphological parameters of stem and ear and single ear grain yield. Correlation analysis and regression analysis were performed on the processed indices of wheat. Based on this case study, some key aspects of technologies were discussed concerning on the application of machine vision tools on high-throughput phenotyping in the field.【】Results showed that correlation coefficients of individual stem and leaf weight with individual ear grain yield decreased steadily from Ningmai 13 to Luyuan 502, and till Zhengmai 9023. Correlation coefficient of stem and ear morphological parameters with individual ear grain yield was significantly lower than that among the biomasses. However, composite morphological parameter, which integrated single ear projection area and single ear length, was found significantly correlated with individual ear grain yield. The best regression model for the correlation between stem and ear biomass and individual ear grain yield of the three wheat species were different. Morphological parameters derived from ear images failed to predict individual ear grain yield precisely. However, combined morphological parameters from wheat stem and wheat ear revealed the best result of regression with extension models. Composite morphological stem-and-ear level traits of individual wheat stem provided more accurate prediction on the ear-derived grain yield, which could make the yield prediction with growth-stage traits collected with machine vision technically possible. Machine vision tools of HTP provided a much higher sets of agronomic trait indices as compared with traditional methods, providing more options for the illustration on the correlations among agronomic traits and path-analysis on crop yield. It in turn resulted into high-dimensional data sets and technical difficulties impeding the identification on valuable information. 【】A basic infrastructure of HTP machine vision tools for field wheat stand was defined as multi-scale and automatic adaptation aspect. It should be autonomously adaptable to multi-scales concerning with the field, crop stand, individual crop and organ-level traits of each individual crop. It also provided traits identification and calculation with statistical analysis on different physiological periods of wheat, e.g. seedling stage, tillering stage, jointing stage etc. Meanwhile, in each development stage of the machine-vision HTP tools and for each functional module, in-depth involvement of agronomical calibration was required. In safeguarding the reliability of machine-vision tools, standardization on referencing HTP-derived traits was also necessary.

machine vision; individual stem and ear; high-throughput analysis; trait indices; ear-level grain yield

10.3864/j.issn.0578-1752.2020.01.004

2019-04-30；

2019-05-20

國(guó)家重點(diǎn)研發(fā)計(jì)劃（2016YFD0300900）、江蘇省農(nóng)業(yè)科技自主創(chuàng)新資金（CX（17）1002）、江蘇省蘇北科技專項(xiàng)“稻麥輪作區(qū)免耕滅茬打漿機(jī)研發(fā)及產(chǎn)業(yè)化”（ZL-LYG2017008）

丁啟朔，E-mail：qsding@njau.edu.cn

（責(zé)任編輯 楊鑫浩）