基于机器视觉的稻茬麦单茎穗高通量表型分析

奥鹏网院作业

基于机器视觉的稻茬麦单茎穗高通量表型分析基于机器视觉的稻茬麦单茎穗高通量表型分析

丁启朔1，李海康1，孙克润2，何瑞银1，汪小旵1，刘富玺1，厉翔1

（南京农业大学工学院/江苏省智能化农业装备重点实验室，南京 210031；2江苏银华春翔机械制造有限公司，江苏连云港 222200）

摘要：【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。

关键词：机器视觉；单茎穗；高通量；表型指标；单穗籽粒产量

0 引言

【研究意义】作物表型是植株个体在特定环境条件下表现出的性状特征总和，高通量表型组学是指建立在可见光、近/远红外、超光谱、X光成像等技术及分析平台基础上，且在短时间内实现大数量植物个体多维表现型的高精度获取和定量分析的现代技术体系[1]。其中，近年来数字图像处理/机器视觉技术的发展为作物表型的无损和高通量采集提供了有效途径，基于数字图像技术的高通量表型分析平台也日趋完善[2-3]。针对表型组学的现代信息技术为作物高通量表型研究提供多样化的解决方案，也为解析田间群体条件下作物基因型和环境因子影响下的生理生态行为与机制提供全新的方法[4]。各类高通量表型技术种类繁多，解读的小麦农艺性状各不相同，应用场合也涉及多个平台。然而不同类别高通量表型技术的基础架构特征尚未得到准确表达。【前人研究进展】就机器视觉技术看，近年来针对小麦的表型指标研发的机器视觉技术已分别应用于田间的麦穗识别[5-7]、籽粒计数[8-9]、株高检测[10-11]及品种识别[12-14]、谷物含水率测定[15]、早期作物活力[16]等不同方面。除此之外，其他用于小麦等作物表型分析的技术类别涉及多光谱[17]或高光谱[18]、X射线-CT[19-21]、激光雷达[22-24]、热成像[25]、无人机[26-28]、3D相机成像[29-30]等。与种类繁多的高通量表型技术相反的现象是目前许多作物学科关键的前沿研究仍然离不开人工测试，如陈昱利等[31]在构建冬小麦主茎叶片几何参数模型时仍然基于人工测试的方法。陈留根等[32]基于人工记穗和测定生物量等工作。张明伟[33]等通过人工测量株高和茎节长度的方式研究种植密度与肥料运筹对茎秆抗倒伏能力的影响。然而针对小麦生理生态研究的相关报道鲜有涉及机器视觉技术方面的应用，表明目前基于机器视觉的小麦高通量表型技术尚难于满足作物学家的应用需求。鉴于各类技术均以数字形式呈现作物的农艺性状，Reuzeau等[34]提出“数字表型”的概念，吴升等[35]也借鉴Multi-agent概念论证表型技术。各类技术既有工程科技的复杂性又涉及作物学生理生态议题，令“数字表型”的真实性和可靠性难于检验。【本研究切入点】现有的机器视觉表型技术通常针对小麦单一农艺性状分析，较少涉及不同类别农艺性状方面的研究。目前对田间群体条件的小麦单茎穗农艺性状的机器视觉表型分析仍不多见，此类技术的基本架构特征尚未描述清楚，技术研发所需的功能模块描述和界定仍不清楚，机器视觉高通量表型技术与农艺学协调研发的内在机制尚需探讨。【拟解决的关键问题】本文仅仅使用田间群体条件稻茬麦成熟期的单茎穗表型指标解析作为个例技术应用，探讨基于机器视觉的小麦高通量表型技术的基本构架和技术研发要领。

1 材料与方法1.1 试验设计

田间试验位于江苏南京市八百桥（118°59′E，31°98′N），该区为亚热带季风气候，土壤类型为黄棕壤质水稻土，长期稻麦轮作。试验所用3个小麦品种分别为‘宁麦13’‘鲁原502’和‘郑麦9023’，播期为2017年11月6日，在水稻收获后清除地表留茬，免耕精密条播，每个小区3次重复，随机区组排列。

鉴于精确的栽培技术控制是获得田间小麦一致的群体条件和稳定的农艺性状的前提，因此田间小区用等孔距栅条精播板进行单粒精播[36]，种子粒距为15 mm，行距为20 cm，播后人工覆土镇压（图1）。小麦田间管理参照大田高产栽培规程，自然雨养。

   

a：播种Seeding；b：播种效果Effect of seeding

图1 人工模拟免耕机条播播种示例

Fig. 1 Seeding on simulated drill with no-till device

1.2 数字图像获取

鉴于小麦、水稻等分蘖作物在群体条件的机器视觉表型技术仍处于研究阶段[19,37]，因此本文沿用人工取样法操作。于成熟期沿地表剪下整株，每个品种选取50个单茎穗带回实验室，按单茎穗分别处理。由于小麦成熟期叶片枯黄、几何特征稳定的叶片形态参数难于获取，因此本文主要研究茎秆和麦穗的形态参数。人工去除叶片后，将多个样本正面有条理地平放在白色背景板上。在室内灯光照明条件下采用高120 cm的支架固定相机，使用尼康NiKon D3200型数码相机对小麦进行垂直拍摄，获得清晰的单茎穗图像（图2-a），使用图像处理技术提取小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。

根据高等职业教育学校护理专业学生的培养目标,以及招生现状,校内实训基地的建设显得尤为重要。在临床实践中,专任教师能够对比校内实训基地与临床的异同、环境设置是否合理、实训设备是否改进,用以指导实训中心的建设与不断完善,最终达到技能学习由基础技术过渡到专科技术再转变为职业能力的递进式培养目标。

图像采集完成后将其茎秆和麦穗分离。使叶片、茎秆和麦穗分别在105℃杀青30 min后，80℃烘干至恒重，称重记录各器官生物量，分别为单叶片质量、单茎秆质量和单穗质量。将烘干后的麦穗进行脱粒处理，获得单穗籽粒产量。

1.3 数字图像处理

作物表型技术研究往往需要大量试验样本，故本文采用多个单茎穗组合一同拍摄，并逐一提取单个茎穗形态参数。主要步骤有图像预处理、图像分离和形态参数提取。

图像预处理阶段根据输出效果进行图像的灰度调整，针对初始图像的阴影及光照不均（图2-a）调整其灰度直方图（图2-b）获取适度增强和均衡化处理后的状态（图2-c），便于后续的表型分析。

鉴于RGB图像相对较低的背景饱和度，将图像RGB三颜色分量转换为HSV三维颜色分量（图3）。发现S分量直方图中茎穗图像饱和度和背景饱和度二者的分界比较明显。进而使用Otsu阈值分割法[38]，获得单茎穗与背景的分离阈值。结合膨胀腐蚀和背景噪音消除，获取新的二值图像。

   

a：初始数字图像Initial digital image；b：初始图像直方图Initial digital image histogram；c：直方图均衡化Histogram equalization

图2 数字图像预处理

Fig. 2 Digital image preprocessing

   

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

图3 图像HSV分量直方图

Fig. 3 Images histogram of H, S and V

统计图像中连通区域的数量。对图像采用8连通区域寻找，进行各连通区域的单独调取获得单个茎穗图像。对图像进行逐行检测，根据麦穗和茎秆之间的宽度差进行茎穗分离。图4中3条水平线表示茎穗分离效果。分别对麦穗部分和茎秆部分进行形态参数提取。提取方法为（1）茎秆投影面积：茎秆部分的各行像素点累加求和；（2）茎秆周长：茎秆部分外围轮廓总长度；（3）茎秆长度：茎秆部分各行中心位置距离累加；（4）茎秆平均宽度：茎秆部分像素和与该部分所占行数比值。麦穗数字图像的各形态参数提取方法同茎秆。

随机选取一个品种茎秆长和茎秆周长作为检验对象，人工测试并与数字图像处理结果对比（图5）。可以看出预测值与实测值拟合程度较好，茎秆长预测决定系数R2高达0.961，RMSE为9.583 mm。茎秆周长预测决定系数R2为0.969，RMSE为 15.563 mm。进一步验证了机器视觉技术获取数据的准确性。

随着大型公立医院就诊患者的持续增多，特殊检查数量也在不断激增，预约等待时间比较长。以浙江省人民医院为例，2013年以前，“胃镜检查预约平均需要等待5.8天”， “磁共振5.1天”，为了看病，患者不得不频繁挂号和预约，反复往返医院。在这样的就诊体验之下，患者都会从心底生出“看病难”的焦虑感。这样的问题亟待解决。

   

图4 小麦茎秆与麦穗分离位置图

Fig. 4 Separation location image of wheat stem and ear

1.4 高通量表型分析

小麦产量的形成是多因子交互及其过程性生物学表现[39]。相关分析和回归分析是获取农艺性状间定量关系和解读产量形成机制的有效手段[40-42]，因此有必要对单茎穗表型指标与其对应产量的关系分析和回归模型拟合。表1和表2分别为具体回归模型。

1.5 数据处理

采用MATLAB R2014a软件中数字图像处理模块进行图像处理和数据获取，采用Microsoft Excel 2010和 SPSS 19.0 统计分析软件进行数据处理和分析。

经调查，今年挂果的核桃青皮核桃平均为12000kg/ hm2，销售价格5元/kg，收入平均为60000元/ hm2，预计全县年收入达1.7亿元。

2 结果2.1 小麦单茎穗表型指标与单穗籽粒产量的相关分析

表3表明3个品种的单茎生物量指标与单穗籽粒产量的关系均达到极显著正相关，其中单穗质量与其籽粒产量相关最显著。鉴于单茎的叶片质量与茎秆质量是小麦生长过程种的性状，而且同样显著影响单穗籽粒产量，因此调控小麦群体，保障每一茎株均衡的生物量是促成群体高产形成的关键。品种的差异性十分显著，宁麦13、鲁原502、郑麦0923的单茎叶片质量与单穗籽粒产量的相关定系数依次下降，表明不同品种小麦的单穗籽粒产量的表达各不相同，高产群体的构建策略也应有所区别。

   

a：茎秆长Single stem length；b：茎秆周长Single stem circumference

图5 茎秆参数预测值与实测值关系

Fig. 5 The relationship between estimated and observed value for wheat stem parameters

小麦单茎穗形态参数与单穗籽粒产量的相关性显著低于上述生物量指标（表4），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，这进一步表明前期人们开展的基于穗部性状数字图像分析技术的可靠性[8, 43]。另外，不同品种间也表现出明显的显著性差异，郑麦9023的地上部各器官生物量指标与单穗籽粒产量的相关性最低，表明基于机器视觉的表型分析技术对不同小麦品种的敏感性具有差异性。

表1 小麦单茎穗地上部生物量与单穗籽粒产量回归模型

Table 1 The regression model between aboveground biomass per stem-panicle and ear-derived grain yield of wheat

   

拟合模型Fitting model模型类型Model type模型方程Model equation 单穗质量与单穗籽粒产量Ear-derived weight and grain yield线性LinearSEY=a0+a1×SEW 二次QuadraticSEY=a0+a1×SEW2 指数Exponentialln(SEY)=a0+a1×ln(SEW)2 地上部各器官生物量与单穗籽粒产量Biomass of different organs and ear-derived grain yield线性LinearSEY=a0+a1×SLW+a2×SSW+a3×SEW 二次QuadraticSEY=a0+a1×SLW2+a2×SSW2+a3×SEW2 拓展ExtendedSEY=a0+a1×SLW2+a2×SSW2+a3×SEW2+a4×SLW×SSW+a5×SLW×SEW+a6×SSW×SEW 指数Exponentialln(SEY)=a0+a1×ln(SLW)2+a2×ln(SSW)2+a3×ln(SEW)2

SEY：单穗籽粒产量；SLW：单叶片质量；SSW：单茎秆质量；SEW：单穗质量。下同

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

表2 小麦单茎穗茎秆和麦穗形态参数与单穗籽粒产量回归模型

Table 2 The regression model between stem & ear morphological parameters per stem-panicle and ear-derived grain yield of wheat

   

拟合模型Fitting model模型类型Model type模型方程Model equation 麦穗形态参数与单穗籽粒产量Ear morphological parameters and ear-derived grain yield线性LinearSEY=a0+a1×SEL+a2×SEAW+a3×SEA+a4×SEC 二次QuadraticSEY=a0+a1×SEL2+a2×SEAW2+a3×SEA2+a4×SEC2 拓展ExtendedSEY=a0+a1×SEL2+a2×SEAW2+a3×SEA2+a4×SEC2+a5×SEL×SEAW+a6×SEL×SEA+a7×SEL×SEC+... 指数Exponentialln(SEY)=a0+a1×ln(SEL)2+a2×ln(SEAW)2+a3×ln(SEA)2+a4×ln(SEC)2 茎秆和麦穗形态参数与单穗籽粒产量Stem and ear morphologicalparameters and ear-derived grain yield线性LinearSEY=a0+a1×SEL+a2×SEAW+a3×SEA+a4×SEC+a5×SSL+a6×SSAW+a7×SSA+a8×SSC 二次QuadraticSEY=a0+a1×SEL2+a2×SEAW2+a3×SEA2+a4×SEC2+a5×SSL2+a6×SSAW2+a7×SSA2+a8×SSC2 拓展ExtendedSEY=a0+a1×SEL2+a2×SEAW2+a3×SEA2+a4×SEC2+a5×SSL2+a6×SSAW2+a7×SSA2+a8×SSC2+a9× SEL×SEAW+... 指数Exponentialln(SEY)=a0+a1×ln(SEL)2+a2×ln(SEAW)2+a3×ln(SEA)2+a4×ln(SEC)2+a5×ln(SSL)2+a6×ln(SSAW)2+a7× ln(SSA)2+a8×ln(SSC)2

SEL：单穗长；SEAW：单穗平均宽度；SEA：单穗投影面积；SEC：单穗周长；SSL：单茎长；SSAW：单茎平均宽度；SSA：单茎投影面积；SSC：单茎周长。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 小麦单茎穗地上部生物量与单穗籽粒产量的相关性

Table 3 Correlations between aboveground biomass per stem-panicle and ear-derived grain yield of wheat

   

品种Variety单叶片质量SLW (g)单茎秆质量SSW (g)单穗质量SEW (g) 宁麦13 Ningmai 130.719**0.765**0.950** 鲁原502 Luyuan 5020.510**0.565**0.927** 郑麦9023 Zhengmai 90230.475**0.529**0.919** 指数Exponentialln(SEY)=a0+a1×ln(SLW)2+a2×ln(SSW)2+a3×ln(SEW)2

*P＜0.05 水平差异显著；**P＜0.01 水平差异显著。下同

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

2.2 小麦单茎穗生物量与单穗籽粒产量的回归分析

小麦单穗穗重与单穗籽粒产量回归模型拟合结果表明（表5），宁麦13的各回归模型均表现出最高的拟合精度，不同模型间对比发现单穗穗重与单穗籽粒产量之间的最佳回归为二次模型，线性模型次之，指数模型最小。表6显示单茎叶重、茎秆重和穗重与单穗籽粒产量间的关系，其中宁麦13和郑麦9023的各生物量指标与单穗籽粒产量间的主导关系为拓展模型。鲁原502小麦的最优拟合为线性模型。表5—6表明在单茎穗尺度的生物量性状对预测单穗籽粒产量的重要性，也进一步从单茎穗尺度证明小麦群体高产理论重视3个产量要素的合理性。但本文基于单茎穗的各生物量解析对应单穗籽粒产量的意义在于能够从一定程度证明高产群体的构建需要考虑小麦生长过程的生物量均衡调控的重要性，株间、株内各茎蘖间生长过程中叶片、茎秆等生物量形成的均衡性是保障穗部籽粒产量均衡性的物质基础。

表4 小麦单茎穗茎秆和麦穗形态参数与单穗籽粒产量的相关性

Table 4 Correlations between stem and ear morphological parameters per stem-panicle and ear-derived grain yield of wheat

   

品种Variety单茎投影面积SSA (mm2)单茎周长SSC (mm)单茎长SSL (mm)单茎平均宽度SSAW (mm)单穗投影面积SEA (mm2)单穗周长SEC (mm)单穗长SEL (mm)单穗平均宽度SEAW (mm) 宁麦13 Ningmai 130.0900.0580.1160.1120.505**0.478**0.496**0.336* 鲁原502 Luyuan 502-0.0520.1330.173-0.1860.554**0.396**0.649**0.209 郑麦9023 Zhengmai 90230.1840.224 0.383**0.1140.393**0.320*0.383**0.285*

表5 小麦单穗穗重与单穗籽粒产量回归模型拟合结果

Table 5 Fitting results of wheat single ear weight and ear-derived grain yield regression model

   

品种Variety模型Model系数Coefficient决定系数R2F值F valueP值P value误差方差估计MSp a0a1 宁麦13Ningmai 13线性Linear-0.0610.7830.902443.1050.0000.009 二次Quadratic0.4590.2750.914248.6830.0000.008 指数Exponential3.1830.0710.882357.3260.0000.010 鲁原502Luyuan 502线性Linear0.0020.6730.859293.4570.0000.023 二次Quadratic0.5840.1680.862146.3160.0000.023 指数Exponential3.1860.0690.670 97.3580.0000.060 郑麦9023Zhengmai 9023线性Linear-0.0990.6950.844259.3560.0000.036 二次Quadratic0.4540.1910.858290.4500.0000.033 指数Exponential2.9210.0730.744139.6200.0000.059

表6 小麦单茎穗茎秆重、叶重和穗重与单穗籽粒产量回归模型拟合结果

Table 6 Fitting results of wheat single stem weight, sperm-carrying leaf weight & ear weight and ear-derived grain yield regression model

   

品种Variety模型Model系数Coefficient决定系R2F值F valueP值P value误差方差估计Error variance estimation a0a1a2a3… 宁麦13Ningmai 13线性Linear-0.065-0.0460.1200.7780.903141.9090.0000.009 二次Quadratic0.4520.1370.0380.263…0.918 80.0050.0000.008 拓展Extended0.4521.915-4.9780.099…0.925 54.8350.0000.008 指数Exponential3.1820.002-0.0030.072…0.885117.7180.0000.011 鲁原502Luyuan 502线性Linear-0.0450.0490.0920.6540.861 94.6560.0000.024 二次Quadratic0.511-0.2430.3610.159…0.840 80.0460.0000.027 拓展Extended0.518-0.727-2.8870.021…0.856 42.7140.0000.027 指数Exponential2.9240.0110.0040.064…0.681 2.7880.0000.061 郑麦9023Zhengmai 9023线性Linear0.059-0.032-0.4460.7920.863 96.2220.0000.033 二次Quadratic0.512-0.025-0.2040.207…0.867100.1150.0000.032 拓展Extended0.5022.8831.7520.169…0.872 48.6180.0000.033 指数Exponential3.2420.003-0.0210.081…0.788 56.9750.0000.054

2.3 小麦单茎穗形态参数与单穗籽粒产量的回归分析

单茎穗地上部各器官生物量指标虽能够准确对应单穗籽粒产量，但生物量指标只能从机器视觉技术的间接计算获取[44]，机器视觉的直接输出指标涉及图像的形态学参数，因此单茎穗形态参数与单穗籽粒产量之间的关系更能体现出机器视觉表型技术的特色。麦穗形态参数与单穗籽粒产量间的拟合结果见表7，但麦穗形态参数并不能准确对应单穗籽粒产量。进一步将小麦单茎穗的茎秆和麦穗形态参数组合应用时，其与单穗籽粒产量的拟合精度显著改善，且都以拓展模型为最佳（表8）。其中鲁原502决定系数达到0.935，实现了与上述生物量指标基本一致的拟合效果。鉴于表8的所有形态参数都直接来自数字图像的一次性处理且无需涉及间接对应的生物量指标所需的复杂映射、算法和繁琐的标定，其对于今后构建田间群体条件下，基于机器视觉技术的小麦生理生态研究的重要性显而易见。

表7 小麦麦穗形态参数与单穗籽粒产量回归模型拟合结果

Table 7 Fitting results of wheat single ear morphological parameters and ear-derived grain yield regression model

   

品种Variety模型Model系数Coefficient决定系数R2F值F valueP值P value误差方差估计Error variance estimation a0a1a2a3… 宁麦13Ningmai 13线性Linear-0.0670.0140.0110.000…0.337 7.7960.0000.063 二次Quadratic0.5660.0000.0000.000…0.340 3.6950.0050.067 拓展Extended0.315-0.001-0.0170.000…0.434 3.4080.0030.062 指数Exponential4.7880.1650.109-0.023…0.281 5.9790.0020.069 鲁原502Luyuan 502线性Linear0.0800.016-0.0210.000…0.44712.3990.0000.096 二次Quadratic0.6200.000-0.0010.000…0.49611.0490.0000.090 拓展Extended0.4680.000-0.0130.000…0.618 6.2980.0000.078 指数Exponential4.8000.128-0.0210.032…0.41610.9200.0000.102 郑麦9023Zhengmai 9023线性Linear1.8920.006-0.1520.003…0.235 4.1070.0120.201 二次Quadratic0.7130.000-0.0010.000…0.243 3.1310.0250.204 拓展Extended3.4130.005-0.0230.000…0.413 2.3220.0340.187 指数Exponential5.1600.259-0.0160.034…0.283 3.8500.0090.193

表8 小麦茎秆和麦穗形态参数与单穗籽粒产量回归模型拟合结果

Table 8 Fitting results of wheat single stem & ear morphological parameters and ear-derived grain yield regression model

   

品种Variety模型Model系数Coefficient决定系数R2F值F valueP值P value误差方差估计Error variance estimation a0a1a2a3… 宁麦13线性Linear-1.0800.0230.0160.000…0.3443.7570.0040.067 Mingmai 13二次Quadratic0.0650.0000.0000.000…0.4212.2400.0300.069 拓展Extended0.8620.000-0.0980.000…0.8291.4680.1810.071 指数Exponential3.113-0.0110.0910.029…0.3283.4920.0070.069 鲁原502Luyuan 502线性Linear-0.8150.015-0.0180.000…0.6128.0750.0000.076 二次Quadratic0.1400.0000.0000.000…0.6178.2710.0000.075 拓展Extended0.299-0.0050.0660.000…0.9356.6690.0000.040 指数Exponential-0.0900.1420.0280.033…0.5448.5650.0000.085 郑麦9023Zhengmai 9023线性Linear-1.2530.0100.0850.002…0.3032.6780.0290.198 二次Quadratic-0.2280.0000.0000.000…0.2961.8360.1030.212 拓展Extended34.070.030-0.8380.000…0.8971.6860.2430.155 指数Exponential0.8120.3140.185-0.043…0.4103.0030.0110.177

3 讨论3.1 机器视觉技术的多尺度智能化自适应架构

赵春江等[45]从技术发展的成熟度角度将数字植物分解为“数字可视”“数字生理”等阶段。吴升等[35]又从技术的属性将智能植物系统划分为感知器Agent、数据处理Agent等不同的功能Agent组件。本文针对稻茬麦单茎穗表型高通量分析的个例应用实现对这两种技术分类的具体解读：一方面，基于机器视觉技术的单茎穗高通量表型指标与对应产量的关联分析突出了“数字生理”技术是当前阶段技术发展的瓶颈，也是智慧农业软硬件系统走向实用化的关键内核；另一方面，本文基于人工的各技术操作过程也进一步体现出机器视觉高通量表型技术必须分环节处理各功能组件的重要性。

如图1所示，在室温22～25℃下，以2C、3C倍率对满电状态的10 Ah锂离子电池进行过充，电池的温升情况大致分成两个阶段，第一阶段电池温度没有明显变化，第二阶段电池温度快速上升。随着电池充电倍率的增加，第一阶段电池保持稳定的时间越来越短，这是因为倍率的增加使得电池完成充电的时间减少所致；第二阶段的时间同样是越来越短，这是由于充电倍率的增大，使得电池内反应变得更加激烈，温度上升的更快。当第二阶段的温度达到50～60℃时，电池发生爆炸。

基于机器视觉的高通量表型技术既是机遇也是挑战。机器视觉提供基于单茎穗尺度的表型指标与单穗籽粒产量的相关分析和回归分析为小麦生理生态研究带来新的机遇，也是“数字生理”的具体体现。而该技术的挑战可从本研究的诸多方面体现，包括破坏性取样不符合田间无损监测、以人工经验拍摄获取最佳图像、以感官辅助支持图像计算和器官识别、以作物学专业经验进行数字表型设计、以农艺性状的背景知识引导相关分析和回归分析以及用专家经验发现和解读价值信息。因此基于机器视觉的小麦高通量表型技术面临的巨大挑战显而易见。

本文的个例应用也进一步表明高通量表型技术研发应同时关注两方面基础构架设计：空间多尺度和时间多尺度。空间构架需要研发基于场景、群体、个体、器官尺度的智能化多尺度自适应图像获取技术[25]。时间多尺度构架则需要针对小麦不同生育期，构建统计性表达的数字表型及其对应农艺性状的基础知识库，以及整个生育期的机器视觉标定数据库。考虑到现有小麦品系之多，这一工作十分复杂。

新环境下，图书馆做为社会信息服务的主要提供者，图书馆成为很多创新和创业团队的主要场所，尤其是一些馆舍比较充裕的图书馆为部分科研团队提供研修间、专题咨询、科技查新、定题服务等服务方式，其中产生的文档和电子文档是社会的宝贵资源，同时图书馆业务流程的计算机化也产生大量的电子文档，这部分文档对读者的学习和研究有很大的参考价值，因此图书馆电子文档的开发和管理显得尤为重要。

3.2 机器视觉技术的高通量表型相关分析和回归分析

基于机器视觉的小麦高通量表型技术是探究和解析作物生产科学的重要途径。仅从近期的少量文献看出具备机器视觉表型技术特征的小麦农艺性状超过30个，涉及叶片表型性状[31]、穗部性状[8, 39]、株高与茎节性状[46]等。如果再把这些机器视觉表型指标与生物量和生理生态性状等全部整合，那么高通量分析的数据将高达数十维。此时如果按照仇瑞承等[44]的组合方法构建模型，则所需的拟合模型将会更多。这也印证了周济等[25]的判断，智慧农业的高通量表型技术的农艺性状信息挖掘是今后的巨大挑战。

在工程建筑施工中，脚手架工程发挥着重要的作用，它被广泛的应用在施工现场的工程作业中，对保障施工人员的生命安全和对重力的支撑起到关键性的作用，所以脚手架的施工安全不容忽视，施工单位必须加强对脚手架的施工安全管理。以下将对相关问题展开分析。

基于机器视觉的小麦高通量表型数据为作物生理生态研究提供丰富的再解读途径，而且该技术带来了作物表型指标集的爆炸式增长，因此可能导致“数字生理”的准确性和可靠性问题。匹配和校验“数字作物表型”与实体作物性状的真实性和准确性、使用真实作物生理生态机制标定数字作物表型间的内在联系、以及使用数字作物表型预测产量等都是当前数字农业的深层次技术问题。本文实现了小麦单茎穗表型指标与单穗籽粒产量的相关分析和回归拟合分析。研究结果充分表明，基于机器视觉的高通量表型技术在解析田间群体条件的小麦生理生态和基于单茎穗尺度的大田群体管理研究的重要性。

3.3 数字表型的小麦生理生态镜像特征及农艺标定

基于机器视觉的作物高通量表型技术有别于虚拟植物，后者以模型驱动为主，辅以实体作物的标定[47-48]。而机器视觉作物高通量表型技术体系并不依赖作物模型驱动，直接以实体作物的真实农艺性状作为数字化对象，因此能够利用数字深加工和模型分析获取田间群体条件下的小麦生理生态解析。鉴于高通量表型指标的复杂性，本文仅仅使用小麦单茎穗简单的形态参数进行测试，这也可能在某种程度上导致本文的拟合精度不尽理想。因此，贯穿于机器视觉高通量表型技术的各环节、各技术组件的研发都需要农艺学深度的参与和反复校验，高强度的农艺学校准和标定是保障高通量机器视觉技术走向可靠与成熟的关键，目前的学科分割状态需要更加积极的跨学科团队协作机制。

更为宏观层面的数字作物测试技术面临的挑战已在相关文献中讨论[45]。潘映红[4]提出了映射性状、目标性状、未知性状等诸多概念。若将本文针对机器视觉技术的“镜像数字表型”与作物的“实体性状”的关系讨论推广到目前的各类技术路线，可以发现在各类技术体系环节中贯穿农艺学校准和标定的工作量之艰巨、实施难度之大，从而令我们看到“数字作物表型”在其技术层面的实质是属于大科学工程的基本特征，其组织实施需要跨学科的战略设计和精细技术构架设计。

二是统筹整合各部门财政涉农资金用于精准扶贫。谷城县坚持“政府主导、统筹规划，因地制宜、量力而行，各负其责、各尽其职”的原则，做到了“多管道进水、一个池子蓄水、一个出口放水”，对县直25个部门各类涉农项目资金进行整合，2016—2018年共统筹各部门涉农资金251605万元，实施项目300多个。主要用于全县省定37个贫困村、市县定39个贫困村三年出列的投入，包括产业发展、基础设施建设、教育扶贫、兜底保障、社会事业、医疗保障、危房改造、建设村级卫生室及医生培训、基础公共文化服务设施、环境整治等十几个方面，每年按规划各有侧重，分年度稳步推进。

4 结论

基于机器视觉技术的作物高通量表型分析能够推动从小麦的场景到器官尺度实现田间小麦的生理生态过程解读。小麦单茎穗表型指标与单穗籽粒产量的相关分析和回归拟合分析是解析田间群体条件的小麦生理生态和管理研究的重要途径。基于机器视觉的作物高通量表型技术研发的环节繁琐，且各环节都需要深度的农艺学参与、标定和校准。

References

[1] 潘锐, 熊勤学, 张文英. 数字图像技术及其在作物表型研究中的应用研究进展. 长江大学学报（自然科学版）, 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. Journal of Yangtze University(Natural Science Edition), 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. Trends in Plant Science, 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. Current Opinion of Insect Science, 2015, 9: 69-76.

[4] 潘映红. 论植物表型组和植物表型组学的概念与范畴. 作物学报, 2015, 41(2): 175-186.

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

[5] 范梦扬, 马钦, 刘峻明, 王庆, 王越, 段熊春. 基于机器视觉的大田环境小麦麦穗计数方法. 农业机械学报, 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.Transactions of the Chinese Society for Agricultural Machinery, 2015, 46(s1): 234-239. (in Chinese)

[6] 路文超, 罗斌, 潘大宇, 赵勇, 于春花, 王成. 基于图像处理的小麦穗长和小穗数同步测量. 中国农机化学报, 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. Journal of Chinese Agricultural Mechanization, 2016, 37(6): 210-215. (in Chinese)

[7] 刘涛, 孙成明, 王力坚, 仲晓春, 朱新开, 郭文善. 基于图像处理技术的大田麦穗计数. 农业机械学报, 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. Transactions of the Chinese Society for Agricultural Machinery, 2014, 45(2): 282-290. (in Chinese)

[8] 杜世伟, 李毅念, 姚敏, 李玲, 丁启朔, 何瑞银. 基于小麦穗部小穗图像分割的籽粒计数方法. 南京农业大学学报, 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. Journal of Nanjing Agricultural University, 2018, 41(4): 742-751. (in Chinese)

[9] 赵三琴, 李毅念, 丁为民, 吕俊逸, 王心怡. 稻穗结构图像特征与籽粒数相关关系分析. 农业机械学报, 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. Transactions of the Chinese Society for Agricultural Machinery, 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. European Journal of Agronomy, 2018, 95: 24-32.

[11] 牛庆林, 冯海宽, 杨贵军, 李长春, 杨浩, 徐波, 赵衍鑫. 基于无人机数码影像的玉米育种材料株高和LAI监测. 农业工程学报, 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. Transactions of the Chinese Society of Agricultural Engineering, 2018, 34(5): 73-82. (in Chinese)

[12] 樊超, 夏旭, 石小凤, 侯利龙. 基于优化神经网络的小麦品种分类研究. 河南工业大学学报(自然科学版), 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. Journal of Henan University of Technology(Natural Science Edition), 2012, 33(4): 72-76. (in Chinese)

[13] 何胜美, 李仲来, 何中虎. 基于图像识别的小麦品种分类研究. 中国农业科学, 2005, 38(9): 1869-1875.

HE S M, LI Z L, HE Z H. Classification of wheat cultivar by digital image analysis. Scientia Agricultura Sinica, 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. Biosystems Engineering, 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. Food Research International, 2007, 40(9): 1140-1145.

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

[17] 张猛, 孙红, 李民赞, Zhang Q, 郑立华. 基于4波段作物光谱测量仪的小麦分蘖数预测. 农业机械学报, 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. Transactions of the Chinese Society for Agricultural Machinery, 2016, 47(9): 341-347. (in Chinese)

[18] 任建强, 吴尚蓉, 刘斌, 陈仲新, 刘杏认, 李贺. 基于Hyperion高光谱影像的冬小麦地上干生物量反演. 农业机械学报, 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. Transactions of the Chinese Society for Agricultural Machinery, 2018, 49(4): 199-211. (in Chinese)

[19] 吴迪, 杨万能, 牛智有, 黄成龙. 小麦分蘖形态学特征X射线-CT无损检测. 农业工程学报, 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. Transactions of the Chinese Society of Agricultural Engineering, 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. Review of Scientific Instruments, 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. Journal of Food Engineering, 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. Euphytica, 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. Computers in Industry, 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. Frontiers in Plant Science, 2018, 9(237): 1-18.

[25] 周济, TARDIEU F, PRIDMORE T, DOONAN J, REYNOLDS D, HALL N, GRIFFITHS S, 程涛, 朱艳, 王秀娥, 姜东, 丁艳峰. 植物表型组学: 发展、现状与挑战. 南京农业大学学报, 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. Journal of Nanjing Agricultural University, 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. Remote Sensing of Environment, 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. Remote Sensing, 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. Plant Methods, 2018, 14(1): 20.

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

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

[31] 陈昱利, 杨平, 张文宇, 张伟欣, 诸叶平, 李世娟, 巩法江, 毕海滨, 岳霆, 曹宏鑫. 越冬前冬小麦主茎叶片几何参数模型研究. 麦类作物学报, 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. Journal of Triticeae Crops, 2015, 35(12): 1719-1726. (in Chinese)

[32] 陈留根, 刘红江, 沈明星, 郑建初. 不同播种方式对小麦产量形成的影响. 江苏农业学报, 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. Jiangsu Journal of Agricultural Sciences, 2015, 31(4): 786-791. (in Chinese)

[33] 张明伟, 马泉, 丁锦峰, 李春燕, 朱新开, 封超年, 郭文善. 密度与肥料运筹对迟播小麦产量和茎秆抗倒能力的影响. 麦类作物学报, 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. Journal of Triticeae Crops, 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. Molecular Plant Breeding, 2005, 3(5): 753-759.

[35] 吴升, 郭新宇, 苗腾, 肖伯祥, 温维亮, 赵春江. 基于Multi-Agent的智能植物系统的构建与应用研究. 中国农业科技导报, 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.Journal of Agricultural Science and Technology, 2017, 19(5): 60-69. (in Chinese)

[36] 芮超杰. 稻茬麦免耕种植技术模式及其效应研究[D]. 南京: 南京农业大学, 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] 冯慧, 熊立仲, 陈国兴, 杨万能, 刘谦. 基于高光谱成像和主成分分析的水稻茎叶分割. 激光生物学报, 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. Acta Laser Biology Sinica, 2015, 24(1): 31-37. (in Chinese)

[38] OTSU N. A threshold selection method from gray-level histograms. IEEE Transactions on Systems, Man and Cybernetics, 1979, 9(1): 62-66.

[39] 陈昱利, 杨平, 张文宇, 张伟欣, 诸叶平, 李世娟, 巩法江, 毕海滨, 岳霆, 曹宏鑫. 基于生物量的冬小麦穗部主要形态参数模型. 作物学报, 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. Acta Agronomica Sinica, 2017, 43(3): 399-406. (in Chinese)

[40] 亓振, 赵广才, 常旭虹, 王德梅, 陶志强, 杨玉双, 王美, 范仲卿, 郭明明, 王雨, 孙通, 刘孝成. 小麦产量与农艺性状的相关分析和通径分析. 作物杂志, 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. Crops, 2016(3): 45-50. (in Chinese)

[41] 周延辉, 朱新开, 郭文善, 封超年. 稻茬小麦中高产水平下产量及其构成因素分析. 麦类作物学报, 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. Journal of Triticeae Crops, 2018, 28(3): 293-297. (in Chinese)

[42] 蒋霓. 单株水稻绿叶面积无损测量方法研究[D]. 武汉: 华中科技大学, 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] 龚红菊, 姬长英. 基于图像处理技术的麦穗产量测量方法. 农业机械学报, 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. Transactions of the Chinese Society for Agricultural Machinery, 2007, 38(12): 116-119. (in Chinese)

[44] 仇瑞承, 苗艳龙, 张漫, 李寒, 孙红. 基于线性回归的玉米生物量预测模型及验证. 农业工程学报, 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. Transactions of the Chinese Society of Agricultural Engineering, 2018, 34(10): 131-137. (in Chinese)

[45] 赵春江, 陆声链, 郭新宇, 杜建军, 温维亮, 苗腾. 数字植物研究进展:植物形态结构三维数字化. 中国农业科学, 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. Scientia Agricultura Sinica, 2015, 48(17): 3415-3428. (in Chinese)

[46] 邵庆勤, 周琴, 王笑, 蔡剑, 黄梅, 戴廷波, 姜东. 种植密度对不同小麦品种茎秆形态特征、化学成分及抗倒性能的影响. 南京农业大学学报, 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. Journal of Nanjing Agricultural University, 2018, 41(5): 808-816. (in Chinese)

[47] 雷晓俊, 汤亮, 张永会, 姜海燕, 曹卫星, 朱艳. 小麦麦穗几何模型构建与可视化. 农业工程学报, 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. Transactions of the Chinese Society of Agricultural Engineering, 2011, 27(3): 179-184. (in Chinese)

[48] 杨月, 刘兵, 刘小军, 刘蕾蕾, 范雪梅, 曹卫星, 朱艳. 小麦生育期模拟模型的比较研究. 南京农业大学学报, 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. Journal of Nanjing Agricultural University, 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)

Abstract:【Objective】 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.【Method】 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.【Result】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. 【Conclusion】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.

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

doi: 10.3864/j.issn.0578-1752.2020.01.004

开放科学（资源服务）标识码（OSID）：

收稿日期：2019-04-30；

接受日期：2019-05-20

基金项目：国家重点研发计划（2016YFD0300900）、江苏省农业科技自主创新资金（CX（17）1002）、江苏省苏北科技专项“稻麦轮作区免耕灭茬打浆机研发及产业化”（ZL-LYG2017008）

联系方式：丁启朔，E-mail：qsding@njau.edu.cn

（责任编辑 杨鑫浩）