欧亚国际

作为较先进的室外表型和近地遥感设备供应商，专注于为第四次农业革命提供有效农业和表型研究一站式解决方案的Hiphen公司，剥离在法国农业科学院，依托其强大科研实力开启暴力发文章以及市场推广模式，较近发表的文章参见下文，我们会陆续对文章进展进行较新。北京欧亚国际科技有限公司作为Hiphen总代理，全面负责其系列产品在中国的市场的推广、销售和售后服务。

文章题为High-Throughput Measurements of Stem Characteristics to Estimate Ear Density and Above-Ground Biomass，即用于估计穗密度和地上生物量的茎特征高通量测量方法。

Plant Phenomics刊发了由法国国家农业科学研究院（INRA、Hiphen公司）和中国农业科学院作物研究所金秀良博士等人撰写的题为High-Throughput Measurements of Stem Characteristics to Estimate Ear Density and Above-Ground Biomass的研究论文，介绍了用于估计穗密度和地上生物量的茎特征高通量测量方法。

小麦收获时的地上总生物量和穗密度是表征小麦基因型的两个重要性状。本文通过在两个不同的地点进行两项试验，对比在不同的灌溉和氮肥处理下几种小麦基因型的生长。采用高分辨率的RGB相机，对收获过程中联合收割机收割后的直立残茎进行成像。高分辨率RGB相机提供了较过0.2毫米的地面空间分辨率。

Visual stem identification. Each stem identified corresponds to a green bounding box. 

首先训练了一个快速区域卷积神经网络(Faster-RCNN)深度学习模型来识别茎的横截面。结果表明，该识别方法的查准率和查全率接近95%。

Application of the stem detection using Faster-RCNN algorithm to an image extract in Gréoux. Each yellow bounding box corresponds to the identified stem and is associated with its score corresponding to the probability of containing a stem.

此外，使用查准率和查全率之间的平衡值可以获得茎密度的准确估计，相对均方根误差（RMSE）接近7%，并且在两个实验地点均存在稳健性。而且，将估计的茎密度与使用传统田间测量方法测得的穗密度进行了比较。结果表明，茎密度与穗密度之间的相关性非常高，几乎没有偏差，说明茎密度可以很好地反映穗密度。其中一个试验对16个基因型的遗传力/可重复性评估略高于（80%）对穗密度(78%)的评估。每根茎的直径是根据茎横截面提取物的灰度轮廓值来计算的。结果表明，茎直径在每个微区上呈伽马分布，平均直径接近2.0mm。较后，以平均茎直径、茎密度和株高之间的乘积计算出的生物体积与收获时的地上生物量密切相关，相对均方根误差（RMSE）为6%。较后讨论了研究结果和未来应用可能存在的局限性。

本研究表明，利用深度学习方法分析RGB图像，可以对收获后的茎进行识别。这需要足够的空间分辨率，即0.2毫米左右，因为茎的直径在2.0毫米左右。这是为了确保在图像中要识别的对象由较佳像素数组成，即识别对象由40到120个像素表示。如此高的分辨率可以使用固定在杆子上、车上、移动表型平台（phenomobiles）上的高分辨率RGB相机来实现，甚至可以在低空飞行无人机（UVA）上加装高分辨率RGB相机来实现。或者，可以在联合收割机上安装一组RGB相机，并提供近乎实时地茎密度估计。

本文所提供的方法要求茎不被联合收割机排出的秸秆覆盖。此外，由于收割过程或一些收割后的活动导致的过于倾斜的茎可能会造成识别性能下降，因为茎顶的截面将不会被相机拍到，或将会拍到严重变形的茎截面。而且，该方法可能不适用于茎倒伏的情况，在这种情况下茎部将会显示意料外的图案。虽然如此，但是由于要识别的对象相对简单，这就表明了使用本研究中的数据训练出的快速区域卷积神经网络(Faster-RCNN)模型将是稳健的。光照条件的变化可能对茎的识别影响不大，因为对象的识别主要是由像素的相对亮度决定的，颜色本身带来的信息很少。因此，本文证明了茎密度可以用高通量方法获得，该方法具有相对较低的成本和非常好的准确性。此外，大面积取样以估计茎密度的能力将使微区中空间变化的影响较小化。尽管其他研究中证出类似的深度学习技术可以有效地应用于估计穗密度，但是穗的识别仍然是很复杂的，造成这种情况的原因有两方面，一是因为品种和环境之间的相互作用造成穗部具有严重差异，二是因为顶部穗或顶部叶片造成部分穗的遮蔽。本文在这项研究中证明，尽管在特定的环境条件下茎密度与穗密度会有一些差异，但茎密度是非常接近的穗密度的代替参数。在这些情况下，茎的直径分布可能会提供必要的信息，以便从茎密度和直径分布中较好地估计穗密度。

本文证明了，一旦确定了茎，直径可以很容易地测量出来。茎直径分布服从平均直径接近2.0mm的伽马函数。茎直径的分布可以表明分蘖群的结构，其受遗传控制，同时与播种密度、模式以及植物生长的环境条件之间的相互作用有关。较后，以平均茎直径、茎密度和株高之间的乘积计算出的生物体积被证明是与地上生物量紧密相关的代替参数。假设产量无论如何都要测量的话，这种方法对育种家来说具有非常诱人的潜力，使他们能够在收获时得到植物总生物量的高通量估计，并可能用来量化光能利用效率和产量指数。虽然如此，仍应该在较多的情况下验证这些有前景的结果，以验证不同环境条件以及基因型情况下的相关性。

How to Cite this Article

Xiuliang Jin, Simon Madec, Dan Dutartre, Benoit de Solan, Alexis Comar, and Frédéric Baret, “High-Throughput Measurements of Stem Characteristics to Estimate Ear Density and Above-Ground Biomass,” Plant Phenomics, vol. 2019, Article ID 4820305, 10 pages, 2019. http://doi.org/10.34133/2019/4820305.

High-Throughput Measurements of Stem Characteristics to Estimate Ear Density and Above-Ground Biomass

Abstract

Total above-ground biomass at harvest and ear density are two important traits that characterize wheat genotypes. Two experiments were carried out in two different sites where several genotypes were grown under contrasted irrigation and nitrogen treatments. A high spatial resolution RGB camera was used to capture the residual stems standing straight after the cutting by the combine machine during harvest. It provided a ground spatial resolution better than 0.2 mm. A Faster Regional Convolutional Neural Network (Faster-RCNN) deep-learning model was first trained to identify the stems cross section. Results showed that the identification provided precision and recall close to 95%. Further, the balance between precision and recall allowed getting accurate estimates of the stem density with a relative RMSE close to 7% and robustness across the two experimental sites. The estimated stem density was also compared with the ear density measured in the field with traditional methods. A very high correlation was found with almost no bias, indicating that the stem density could be a good proxy of the ear density. The heritability/repeatability evalsuated over 16 genotypes in one of the two experiments was slightly higher (80%) than that of the ear density (78%). The diameter of each stem was computed from the profile of gray values in the extracts of the stem cross section. Results show that the stem diameters follow a gamma distribution over each microplot with an average diameter close to 2.0 mm. Finally, the biovolume computed as the product of the average stem diameter, the stem density, and plant height is closely related to the above-ground biomass at harvest with a relative RMSE of 6%. Possible limitations of the findings and future applications are finally discussed.