作為先進的室外表型和近地遙感設備供應商，專注于為第四次農業革命提供精準農業和表型研究一站式解決方案的Hiphen公司，剝離在法國農業科學院，依托其強大科研實力開啟暴力發文章以及市場推廣模式，最近發表的文章參見下文，我們會陸續對文章進展進行更新。北京博普特科技有限公司作為Hiphen總代理，全面負責其系列產品在中國的市場的推廣、銷售和售后服務。
 

文章題為High-Throughput Measurements of Stem Characteristics to Estimate Ear Density and Above-Ground Biomass，即用于估計穗密度和地上生物量的莖特征高通量測量方法。
 

Plant Phenomics刊發了由法國國家農業科學研究院（INRA、Hiphen公司）和中國農業科學院作物研究所金秀良博士等人撰寫的題為High-Throughput Measurements of Stem Characteristics to Estimate Ear Density and Above-Ground Biomass的研究論文，介紹了用于估計穗密度和地上生物量的莖特征高通量測量方法。

 

小麥收獲時的地上總生物量和穗密度是表征小麥基因型的兩個重要性狀。本文通過在兩個不同的地點進行兩項試驗，對比在不同的灌溉和氮肥處理下幾種小麥基因型的生長。采用高分辨率的RGB相機，對收獲過程中聯合收割機收割后的直立殘莖進行成像。高分辨率RGB相機提供了超過0.2毫米的地面空間分辨率。
 

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

首先訓練了一個快速區域卷積神經網絡(Faster-RCNN)深度學習模型來識別莖的橫截面。結果表明，該識別方法的查準率和查全率接近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，使用查準率和查全率之間的平衡值可以獲得莖密度的準確估計，相對均方根誤差（RMSE）接近7%，并且在兩個實驗地點均存在穩健性。而且，將估計的莖密度與使用傳統田間測量方法測得的穗密度進行了比較。結果表明，莖密度與穗密度之間的相關性非常高，幾乎沒有偏差，說明莖密度可以很好地反映穗密度。其中一個試驗對16個基因型的遺傳力/可重復性評估略高于（80%）對穗密度(78%)的評估。每根莖的直徑是根據莖橫截面提取物的灰度輪廓值來計算的。結果表明，莖直徑在每個微區上呈伽馬分布，平均直徑接近2.0mm。最后，以平均莖直徑、莖密度和株高之間的乘積計算出的生物體積與收獲時的地上生物量密切相關，相對均方根誤差（RMSE）為6%。最后討論了研究結果和未來應用可能存在的局限性。
 

本研究表明，利用深度學習方法分析RGB圖像，可以對收獲后的莖進行識別。這需要足夠的空間分辨率，即0.2毫米左右，因為莖的直徑在2.0毫米左右。這是為了確保在圖像中要識別的對象由最佳像素數組成，即識別對象由40到120個像素表示。如此高的分辨率可以使用固定在桿子上、車上、移動表型平臺（phenomobile）上的高分辨率RGB相機來實現，甚至可以在低空飛行無人機（UVA）上加裝高分辨率RGB相機來實現。或者，可以在聯合收割機上安裝一組RGB相機，并提供近乎實時地莖密度估計。
 

本文所提供的方法要求莖不被聯合收割機排出的秸稈覆蓋。此外，由于收割過程或一些收割后的活動導致的過于傾斜的莖可能會造成識別性能下降，因為莖頂的截面將不會被相機拍到，或將會拍到嚴重變形的莖截面。而且，該方法可能不適用于莖倒伏的情況，在這種情況下莖部將會顯示意料外的圖案。雖然如此，但是由于要識別的對象相對簡單，這就表明了使用本研究中的數據訓練出的快速區域卷積神經網絡(Faster-RCNN)模型將是穩健的。光照條件的變化可能對莖的識別影響不大，因為對象的識別主要是由像素的相對亮度決定的，顏色本身帶來的信息很少。因此，本文證明了莖密度可以用高通量方法獲得，該方法具有相對較低的成本和非常好的準確性。此外，大面積取樣以估計莖密度的能力將使微區中空間變化的影響最小化。盡管其他研究中證出類似的深度學習技術可以有效地應用于估計穗密度，但是穗的識別仍然是很復雜的，造成這種情況的原因有兩方面，一是因為品種和環境之間的相互作用造成穗部具有嚴重差異，二是因為頂部穗或頂部葉片造成部分穗的遮蔽。本文在這項研究中證明，盡管在特定的環境條件下莖密度與穗密度會有一些差異，但莖密度是非常接近的穗密度的代替參數。在這些情況下，莖的直徑分布可能會提供必要的信息，以便從莖密度和直徑分布中更好地估計穗密度。
 

本文證明了，一旦確定了莖，直徑可以很容易地測量出來。莖直徑分布服從平均直徑接近2.0mm的伽馬函數。莖直徑的分布可以表明分蘗群的結構，其受遺傳控制，同時與播種密度、模式以及植物生長的環境條件之間的相互作用有關。最后，以平均莖直徑、莖密度和株高之間的乘積計算出的生物體積被證明是與地上生物量緊密相關的代替參數。假設產量無論如何都要測量的話，這種方法對育種家來說具有非常誘人的潛力，使他們能夠在收獲時得到植物總生物量的高通量估計，并可能用來量化光能利用效率和產量指數。雖然如此，仍應該在更多的情況下驗證這些有前景的結果，以驗證不同環境條件以及基因型情況下的相關性。
 

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. https://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 evaluated 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.