在面向開發(fā)新品種的植物育種項目中，研究者會依賴產(chǎn)量測試來指導新品種的選擇和決策。在育種項目中，一個不可或缺的環(huán)節(jié)是在分布于不同地區(qū)的大量小區(qū)中種植并收獲目標作物，這個環(huán)節(jié)需要分配大量的資金和資源，因而是育種項目的主要經(jīng)濟負擔。在后續(xù)的分析中，為了擴大所需的遺傳變異，需要評估數(shù)以萬計的基因型的產(chǎn)量。因此，對產(chǎn)量的準確測量或預測的需求正推動研究人員不斷開發(fā)更先進的基因組學或表型組學工具。

目前已有一些研究從計算機視覺和機器學習角度對作物產(chǎn)量進行了預測。基于計算機視覺的方法主要是面向果樹等體型較大的作物而構建，這類作物采集到的圖像背景往往較整潔，且果實的遮擋也較少；基于機器學習的方法往往是融合高維表型性狀數(shù)據(jù)對產(chǎn)量進行預測，或是將天氣和基因型數(shù)據(jù)相結合來構建深度時間序列注意力模型，然而這些方法難以在各種不同規(guī)模、地區(qū)和作物的育種項目中實現(xiàn)通用。此外，使用可見光相機圖像估計植物的生殖器官和種子產(chǎn)量是一種較少被探索的方向，如果將相機成像與自動化田間機器人系統(tǒng)相結合，育種家們將可以直接估算小區(qū)種子產(chǎn)量，以更有效的方式做出育種決策。

近日，Plant Phenomics在線發(fā)表了題為Deep Multiview Image Fusion for Soybean Yield Estimation in Breeding Applications的研究論文。

在該文章中，作者提出了一種適用于大豆豆莢計數(shù)的機器學習方法，用于根據(jù)田間機器人采集到的視頻數(shù)據(jù)(Figure 3)對各基因型種子產(chǎn)量的等級進行預估。作者使用深度學習方法開發(fā)了一個基于多角度圖像的產(chǎn)量預估程序，融合不同角度采集的作物圖像以估計產(chǎn)量(Figure 5)，并對各基因型排序，最終用于育種決策。文章對比了程序和人工對豆莢計數(shù)和產(chǎn)量估計的結果(Figure 6)，證明了所開發(fā)程序的有效性。該文的結果證明了基于機器學習模型的程序可顯著減少時間和人力成本，在助力育種決策方面有很好的前景，并有望開辟新的育種方法。

論文鏈接

https://spj.sciencemag.org/journals/plantphenomics/2021/9846470/

——推薦閱讀——

Soybean Root System Architecture Trait Study through Genotypic, Phenotypic, and Shape-Based Clusters

https://spj.sciencemag.org/journals/plantphenomics/2020/1925495/

Plant Phenomics | 通過對大豆根系的基因、表型及根形進行聚類分析來研究根系構型特征

Machine Learning-Based Presymptomatic Detection of Rice Sheath Blight Using Spectral Profiles

https://spj.sciencemag.org/journals/plantphenomics/2020/8954085/

Plant Phenomics | 使用光譜特征和機器學習檢測水稻紋枯病的發(fā)病先兆

About Plant Phenomics

《植物表型組學》（Plant Phenomics）是由南京農(nóng)業(yè)大學和美國科學促進會（AAAS）合作創(chuàng)辦的英文學術期刊，于2019年1月正式上線發(fā)行，是Science合作出版的第二本期刊。采用開放獲取形式，刊載植物表型組學交叉學科熱點領域具有突破性科研進展的原創(chuàng)性研究論文、綜述、數(shù)據(jù)集和觀點。具體范圍涵蓋高通量表型分析的最新技術，基于圖像分析和機器學習的表型分析研究，提取表型信息的新算法，作物栽培、植物育種和農(nóng)業(yè)實踐中的表型組學新應用，與植物表型相結合的分子生物學、植物生理學、統(tǒng)計學、作物模型和其他組學研究，表型組學相關的植物生物學等。期刊已被CABI、CNKI、DOAJ、PMC和Scopus數(shù)據(jù)庫收錄。

說明：本文由《植物表型組學》編輯部負責組稿。
中文內(nèi)容僅供參考，一切內(nèi)容以英文原版為準。
撰稿：王棟（實習）
編輯：張威（實習）、鞠笑、
孔敏審核：尹歡