单位面积穗数是小麦产量性状的重要指标，也是育种家在新品种选择中高度重视的性状。传统的田间调查方法费时费力，主观性较高，缺乏统一的麦穗计数标准。基于深度学习、图像识别技术等人工智能技术，可高效提取图像中小麦穗数特征。建立高通量单位面积穗数测定方法，提高图像智能识别精度，并验证穗数数据生物学意义的有效性，对促进表型技术在小麦育种中的应用具有重要价值。

近日，中国农业科学院作物科学研究所小麦亲本创制与新品种选育团队在The Crop Journal在线发表了题为“Development of image-based wheat spike counter through a Faster R-CNN algorithm and application for genetic studies”的研究论文。利用黄淮麦区自然群体166份材料建立识别模型，对扬麦16/中麦895 RIL群体进行基因定位研究。首先利用RGB相机于灌浆中期获取特定区域的2个群体冠层麦穗照片，同时在田间人工统计对应区域穗数。利用Lableme软件进行图像标注，通过深度学习算法Faster R-CNN进行训练，获得RIL群体不同家系单位面积穗数模型验证结果，结合高密度660K SNP遗传图谱信息，挖掘与单位面积穗数相关的QTL位点。图1为Faster R-CNN工作流程。

Faster R-CNN算法在单位面积穗数高通量表型鉴定中效果较好。与传统人工统计相比，精确度达到86.7%，模型验证的结果（VSN）与图像标注（ISN）和人工统计穗数（MSN）的决定系数R2分别为0.83和0.51（图2）。智能识别前期，图像中人工鉴别标注是导致MSN和VSN相关性较低的重要原因之一。此外，拍摄的光强和角度也会影响模型精度，尤其是在较暗的光强下，麦穗易被漏识。研究将Faster R-CNN目标检测与分子标记辅助育种技术结合，利用660k SNP遗传图谱对MSN、 VSN、 ISN单位面积穗数表型数据集上进行QTL定位研究，分别在4D和7D染色体定位到与该性状相关的3个QTL位点（图3），其中QSnyz.caas-7DS位点在3个数据集中均被检测到。证明Faster R-CNN模型的单位面积穗数图像识别是一个快速准确的高通量方法，可以应用于遗传育种研究，为高通量单位面积穗数表型鉴定与分子标记辅助育种有机结合提供新的思路。

作者和基金项目

中国农业科学院作物科学研究所硕士研究生李雷和博士后Muhammad Adeel Hassan为该文第一作者，中国农业科学院作物科学研究所肖永贵副研究员、何中虎研究员为共同通信作者。该研究得到国家自然科学基金项目（31961143007）和中国农业科学院基本科研业务费专项（S2018QY02）资助。

本文转载自The Crop Journal

转自：“植物生物技术Pbj”微信公众号

如有侵权，请联系本站删除！