基于堆叠沙漏网络的单分蘖水稻植株骨架提取

针对水稻栽培和遗传育种研究中单分蘖性状高通量无损提取的实际需求,该研究提出了一种基于沙漏网络模型的单分蘖水稻关键点预测和骨架提取方法。首先,对原始图像进行批量裁剪、gamma校正和锐化卷积等预处理,获取单色背景下的水稻单分蘖图像数据集;设计水稻单分蘖各器官关键点数据标注策略,构建监督数据集。然后,构建堆叠沙漏网络架构实现叶片数固定和不固定的水稻关键点检测,引入沙漏结构整合图像的多尺度特征,结合中间监督机制整合不同沙漏模块信息。叶片数一致的情况,模型预测准确率最高可达96.48%;叶片数不一致的情况,预测准确率达到82.09%。最后,根据预测关键点及其对应的语义信息连接形成植株骨架,选取茎秆长、叶片长、穗长、叶片-茎秆夹角和茎节点位置5个表型参数对生成骨架模型的实际意义进行评估,其均方根误差依次为5.82 cm、3.09 cm、1.71 cm、3.22°和2.04 cm,证明了该方法能较好地识别水稻单分蘖关键点,为水稻骨架提取提供了一种新思路,有助于加快水稻育种速度。     

超级杂交稻‘Y两优2号’耐冷性QTL定位与杂种优势分析

挖掘耐冷基因并提高耐冷性对于保证水稻在气候变化条件下的高产稳产具有至关重要的意义。本研究利用‘远恢2号’和‘Y58S’杂交而成的超级杂交稻‘Y两优2号’的高世代重组自交系(RIL F14)276个家系作为作图群体,以SNP为分子标记构建了高密度遗传图谱,对水稻的芽期耐冷性(cold tolerance at the bud bursting period,CTBP)性状进行数量性状位点(quantitative trait locus,QTL)定位分析;同时对全世界范围内收集的水稻自然变异微核心(Minicore)种质群体进行芽期耐冷性全基因组关联分析(genome-wide association study,GWAS)。结果表明,水稻芽期耐冷性在水稻群体内呈连续分布,是由多基因控制的数量性状。同时,在RIL群体的第9号染色体上定位到1个与耐冷性性状相关的QTL,位于区间Block73479和Block72824之间,对表型变异的解释率为9.65%。进一步分析表明该QTL对水稻芽期耐冷性为负显性。结果还显示‘Y两优2号’耐冷性显著强于亲本,具有杂种优势。     

基于YOLOv5m和CBAM-CPN的单分蘖水稻植株表型参数提取

为快速获取单分蘖水稻植株的形态结构和表型参数,该研究提出了一种基于目标检测和关键点检测模型相结合的骨架提取和表型参数获取方法。该方法基于目标检测模型生成穗、茎秆、叶片的边界框和类别,将所得数据分别输入到关键点检测模型检测各部位关键点,按照语义信息依次连接关键点形成植株骨架,依据关键点坐标计算穗长度、茎秆长度、叶片长度、叶片-茎秆夹角4种表型参数。首先,构建单分蘖水稻的关键点检测和目标检测数据集;其次,训练Faster R-CNN、YOLOv3、YOLOv5s、YOLOv5m目标检测模型,经过对比,YOLOv5m的检测效果最好,平均精度均值（mean average precision,mAP）达到91.17%;然后,应用人体姿态估计的级联金字塔网络（cascaded pyramid network,CPN）提取植株骨架,并引入注意力机制CBAM（convolutional block attention module）进行改进,与沙漏网络（hourglass networks,HN）、堆叠沙漏网络模型（stacked hourglass networks,SHN）和CPN模型相比,CBAM-CPN模型的预测准确率分别提高了9.68、8.83和0.5个百分点,达到94.75%,4种表型参数的均方根误差分别为1.06、0.81、1.25 cm和2.94°。最后,结合YOLOv5m和CBAM-CPN进行预测,4种表型参数的均方根误差分别为1.48 、1.05 、1.74 cm和2.39°,与SHN模型相比,误差分别减小1.65、3.43、2.65 cm和4.75°,生成的骨架基本能够拟合单分蘖水稻植株的形态结构。所提方法可以提高单分蘖水稻植株的关键点检测准确率,更准确地获取植株骨架和表型参数,有助于加快水稻的育种和改良。