2024年12月，Expert systems with applications（中科院一區(qū)TOP期刊，影響因子7.5）在線發(fā)表了山東農(nóng)業(yè)大學(xué)劉平教授團(tuán)隊題為Real-time Monitor Heading Dates of Wheat Accessions for Breeding In-field Based on DDEW-YOLOv7 Model and BotSort Algorithm的研究論文。

在大群體中高效、高通量、無損的動態(tài)監(jiān)測作物性狀已成為連接基因型與表型的育種瓶頸。小麥育種中，抽穗期的變化可以表明小麥品種對環(huán)境變異和遺傳因素的反應(yīng)，對其進(jìn)行動態(tài)跟蹤有助于產(chǎn)量預(yù)測，識別遺傳改良所需性狀，有助于識別適應(yīng)性強(qiáng)的基因型和最佳抽穗特性，指導(dǎo)制定有效的育種策略。傳統(tǒng)的方法往往需要定期觀察，無法實(shí)時捕捉抽穗期的動態(tài)變化，勞動強(qiáng)度大、效率低。因此，該研究基于DDEW-YOLOv7模型和BotSort算法提出了田間育種小麥品種抽穗期實(shí)時監(jiān)測方法（圖1）。

圖1 抽穗期實(shí)時監(jiān)測方法

該研究首先利用構(gòu)建的DDEW-YOLOv7模型和BotSort跟蹤算法實(shí)現(xiàn)了小麥穗的實(shí)時檢測和計數(shù)。然后，利用獲取的麥穗時序數(shù)據(jù)，生成麥穗生長曲線與增量圖并確定F1雜交小麥品種抽穗日期及估算單位面積穗密度。試驗(yàn)可知，該模型在麥穗檢測方面顯著降低誤檢率，在復(fù)雜場景下具有更高的準(zhǔn)確性和穩(wěn)定性。同時在麥穗計數(shù)方面，模型的檢測結(jié)果與人工測量結(jié)果高度相似（RMSE和R2分別為91.04和0.99，圖2）。在不同品種、不同種植密度的11塊小麥地塊上，抽穗期測定的RMSE約為0.3天，估算的單位面積穗密度與真實(shí)值之間的RMSE約為6.10（圖3）。該方法為大規(guī)模估算小麥抽穗期提供了可行的解決方案，同時實(shí)現(xiàn)了作物生長狀況的實(shí)時評估和產(chǎn)量預(yù)測，為精準(zhǔn)農(nóng)業(yè)提供高通量、準(zhǔn)確的數(shù)據(jù)支持。在氣候變化和環(huán)境脅迫條件下，將其應(yīng)用于育種選擇、優(yōu)化種植策略和增強(qiáng)氣候適應(yīng)性等方面，對支持農(nóng)業(yè)可持續(xù)生產(chǎn)和提高作物生產(chǎn)力具有重要意義。

山東農(nóng)業(yè)大學(xué)劉平教授為通訊作者，研究方向?yàn)檗r(nóng)業(yè)機(jī)器人與智能輔助育種關(guān)鍵技術(shù)。山東農(nóng)業(yè)大學(xué)博士研究生宋緒斌為第一作者，該論文獲得山東省重點(diǎn)研發(fā)計劃項(xiàng)目的資助。

編      輯：萬    千 

審      核：賈    波