基于机器视觉的稻茬麦单茎穗高通量表型分析

【目的】高通量表型技术不仅是现代育种领域的重要手段,也是解析田间作物生理生态行为的工具,但不同类别高通量表型技术的基础架构特征仍不清楚,因此需要针对机器视觉高通量表型技术进行专门探讨。【方法】本文用机器视觉技术检测计算稻茬麦茎穗一体的表型指标。使用宁麦13、鲁原502和郑麦9023 3个小麦品种,进行小区化对比试验,使用等孔距栅条精播板进行单粒精播,准确控制条播小麦的群体条件。于稻茬麦成熟期进行茎穗一体图像获取,对图像进行灰度增强、直方图均值化、S分量提取、Otsu阈值分割、茎穗分离和茎穗形态参数提取等操作。提取的稻茬麦地上部单茎穗各器官的形态参数包括茎秆长、茎秆平均宽度、茎秆投影面积、茎秆周长、麦穗长、麦穗平均宽度、麦穗投影面积和麦穗周长。同时,使用传统方法获取小麦单叶片质量、单茎秆质量、单穗质量和单穗籽粒产量等农艺性状指标。分别构建线性模型、二次模型、指数模型及拓展模型进行多维指标拟合,包括小麦单茎穗生物量与单穗籽粒产量关系、单茎穗的麦穗形态参数与单穗籽粒产量关系等拟合分析。在单茎穗层面对小麦茎穗的表型指标与单穗籽粒产量之间的关系进行相关分析和回归分析,进而基于机器视觉在小麦茎穗一体方面的个例应用,讨论大田高通量表型分析的机器视觉技术研发的要点。【结果】宁麦13、鲁原502和郑麦9023 3个小麦品种的单叶片质量与单穗籽粒产量的相关系数依次下降,小麦单茎穗形态参数与单穗籽粒产量的相关性显著低于生物量指标,但单穗投影面积、单穗长与单穗籽粒产量依然存在显著正相关。3个小麦品种在单茎穗的各生物量指标与单穗籽粒产量的最优回归模型各不相同,麦穗图像的形态参数不能准确反映单穗籽粒产量,但单茎穗的茎秆和麦穗形态参数的组合应用表现出最佳的拓展模型拟合结果。利用茎穗一体的数字图像处理所得的复合型形态参数可以准确预测单穗籽粒产量,从而表明利用机器视觉技术观测小麦的生长过程并实时预测产量的可行性。【结论】机器视觉技术能提供远高于常规农艺性状的高通量指标集,为解析各类农艺性状之间的联系及产量的通径分析提供更多的途径,但也造成高维指标集和有价值信息提取的技术困难。应用于田间小麦群体的机器视觉技术应具备多尺度智能化自适应的技术架构,同时应具备基于场景、群体、个体和器官的多空间尺度和苗期、分蘖期、拔节期等多生理时间尺度的统计性数字表型发现和计算能力,同时,机器视觉各技术研发环节和各技术模块都需要农艺学深度参与和校准,而配备标准表型数据库更是保障高通量技术实用性和可靠性的基础。     

稻茬小麦单粒精播的幼苗密度效应

为了在大田条件下研究种植密度对稻茬小麦幼苗生长状况的影响,选用冬小麦品种宁麦13为研究材料,分别于2017年和2018年采用免耕单粒精密条播方式控制稻茬小麦种植密度,设种子间距分别为1.5 cm、3.0 cm和4.5 cm 3个处理,行距均为20 cm。通过定位跟踪统计稻茬小麦出苗率和苗龄占比,同时测定分析稻茬麦幼苗个体地上部和根系指标,分别用出苗动态和单株农艺性状2类指标进行评价。结果表明,对于南方水稻土而言,稻茬小麦出苗率随着种植密度的增大而减小,但差异未达到显著水平。出苗率和苗龄占比可以用于检测不同种植密度处理之间的出苗差异。随种植密度的增加,单株稻茬小麦幼苗地上部干质量和根系干质量在2017年呈减小趋势;2018年稻茬小麦幼苗农艺性状随密度的增加而受到抑制。相比于出苗率指标,苗龄占比更能准确反映稻茬小麦的出苗密度效应。稻茬小麦群体从出苗期开始出现株间竞争,而且种植密度越大,株间竞争越剧烈。