小麥（Triticum?aestivum L.）是基于激光及重要的糧食作物之一。培育具有理想株型特征的雷達量化小麥品種是緩解糧食危機的重要途徑之一。穗是穗表小麥的生殖器官，直接決定小麥產量，型定而基于穗部表型性狀的研究應用小麥理想株型篩選是小麥高產品種培育的重要依據。近些年，基于激光及激光雷達技術的雷達量化快速發(fā)展為小麥穗部表型特征提取提供了理想數據源。

然而，穗表小麥植株體積小、型定冠層同質性強、研究應用器官特征差異不明顯，基于激光及難以設計理想的雷達量化幾何特征以實現麥穗分割，制約著麥穗表型性狀的穗表提取精度與效率。而穗部表型性狀高效精準提取方法的型定缺失，進一步限制了麥穗表型性狀與小麥產量間關系的研究應用研究及其在小麥理想株型篩選中的應用。

中國科學院植物研究所蘇艷軍研究組聯合南京農業(yè)大學金時超團隊，構建了包含120個品種的田間小麥地基激光雷達數據集，提出了海量麥穗標記數據集構建方法，研發(fā)了結合深度學習和幾何修正算法的麥穗自動識別與分割算法，實現了田間小麥麥穗的自動高效提取。

經與實測數據對比，該算法的麥穗識別精度和個體分割精度可分別達到87.17%和84.62%。以小麥麥穗個體分割結果為基礎，該研究進一步提出了麥穗表型性狀自動提取算法，實現了穗密度、穗長、穗寬、彎曲度、穗傾角、穗高、穗面積、穗體積等多種麥穗表型參數的高精度估算。

此外，除了穗長、穗寬等易測量的傳統(tǒng)麥穗表型性狀，本研究獲取的傳統(tǒng)難以測量的麥穗表型性狀亦對小麥產量有顯著影響，并能夠用于有效區(qū)分小麥品種間的差異。上述成果驗證了麥穗表型在小麥理想株型篩選中的關鍵作用。同時，該團隊提出的高通量無損麥穗表型提取方法，對于加快小麥育種周期頗具潛力。

基于深度學習與幾何校正的麥穗分割算法

近日，相關研究成果在線發(fā)表在IEEE Transactions on Geoscience and RemoteSensing上。研究工作得到中國科學院戰(zhàn)略性先導科技專項和國家自然科學基金等的支持。新疆大學、石河子大學、南京農業(yè)大學和香港大學的科研人員參與研究。

審核編輯：劉清