水稻是世界上最重要的糧食作物之一，隨著世界人口的不斷增長，提高糧食的產量就變得尤為重要，這急需培育出高產（穗數、每穗小穗數和粒重高）的水稻品種，而稻穗表型精準鑒定是實現這一目標的前提。但由于水稻稻穗的復雜結構以及傳統稻穗表型提取方法的冗雜繁瑣，需要脫殼脫粒，存在費時費力、誤差大等缺點。

        近日，由華中科技大學生物醫學光子學研究中心以及華中農業大學作物表型團隊合作在The Crop Journal在線刊發了題為“An integrated rice panicle phenotyping method based on X-ray and RGB scanning and deep learning”的研究論文。該研究組開發了一套基于X-ray成像和RGB成像技術的水稻穗部表型性狀綜合測量和分析系統(圖1)，可以在不脫粒和不脫殼的條件下實現對谷粒、米粒、及穗部性狀的提取。通過比較五種不同小穗計數方法，Faster R-CNN深度學習模型展現了較好的計數精度（R2為0.99）和計數效率（0.1秒/穗）。同時該模型可應用于秈稻和粳稻分類，準確率可達91%。更為有趣的是，配合一定的背光成像環境，本研究構建的Faster R-CNN深度學習模型也有潛力應用于田間自然狀態下稻穗谷粒計數，相關性R2可達到0.76（圖2c）。總而言之，本研究實現了（無需脫粒和脫殼情況下）水稻稻穗表型性狀高精度和高效提取，為水稻功能基因組和育種研究提供了一種新穎的稻穗表型綜合分析方法。

            

圖1.基于RGB和X-ray雙模式成像的稻穗圖像采集及處理流程圖

 

圖2.不同光照場景和稻穗預處理情況下Faster R-CNN小穗識別計數評估結果比較

 

華中科技大學博士研究生余樂俊和華中農業大學博士研究生施家偉為本文共同第一作者，華中農業大學楊萬能教授和華中科技大學劉謙教授為共同通訊作者。該研究受到國家重點研發計劃項目、國家自然科學基金和中央高校基本科研業務費專項資金的資助。