基于點云的大豆分枝夾角提取算法開發(fā)與耐密植株型新性狀發(fā)掘

大豆分枝夾角是決定其冠層結(jié)構(gòu)的主要因素。準確、高效地測量大豆分枝夾角對鑒定和利用耐密植株型大豆品種至關(guān)重要。傳統(tǒng)的測量方法主要依靠人工操作，不僅耗時耗力，還存在一定的主觀性，難以準確量化不同材料之間的細微差異。激光雷達技術(shù)在作物三維表型研究領(lǐng)域已取得了顯著成果，具有對光照不敏感等優(yōu)勢。但是，大豆株型結(jié)構(gòu)復(fù)雜，當前的三維表型提取方法難以滿足其復(fù)雜分枝結(jié)構(gòu)參數(shù)提取的要求。本研究圍繞大豆耐密植株型鑒定需求，聚焦分枝夾角表型提取的挑戰(zhàn)，進行了系統(tǒng)的算法開發(fā)和應(yīng)用研究。
 

2024年5月，Plant Phenomics 在線發(fā)表了南京農(nóng)業(yè)大學前沿交叉研究院AiPhenomics課題組題為SCAG: A stratified, clustered, and growing-based algorithm for soybean branch angle extraction and ideal plant architecture evaluation的研究文章。
 

一、研究貢獻

1. 構(gòu)建了一個高精度、多品種的大豆植株點云開放數(shù)據(jù)集Soybean3D

針對適用于田間大豆植株結(jié)構(gòu)參數(shù)提取數(shù)據(jù)集匱乏的問題，本研究基于地基LiDAR采集兩年大豆植株骨架結(jié)構(gòu)三維點云數(shù)據(jù)，選擇單年的152株不同品種大豆材料樣本構(gòu)建Soybean3D數(shù)據(jù)集，并根據(jù)樣本點云質(zhì)量和植株三維結(jié)構(gòu)復(fù)雜程度分成了簡單、中等、復(fù)雜三個數(shù)據(jù)組，分別包含50、51和51個大豆品種。該數(shù)據(jù)集分辨率高、材料之間結(jié)構(gòu)差異明顯，遺傳多樣性豐富，有望推動大豆植株結(jié)構(gòu)參數(shù)高通量表型算法的開發(fā)。目前該數(shù)據(jù)集已公開發(fā)布于AiPhenomics的GitHub網(wǎng)站 https://github.com/Jinlab-AiPhenomics/SCAG_PlantAngleExtractor，可免費獲取應(yīng)用于非商業(yè)用途。
 

表1 Soybean3D數(shù)據(jù)集概況

2. 開發(fā)了一個準確、穩(wěn)健和可遷移的分枝夾角提取方法SCAG

受大豆主莖生長與分枝形成的生物學過程啟發(fā)，提出了一種基于點云分層、聚類和生長的大豆分枝夾角檢測和提取算法（SCAG），在分枝檢測和角度計算方面取得了顯著成效。
 

圖1 SCAG算法流程

通過對比SCAG算法與支持向量機（Support vector machine, SVM）和點密度閾值（Density-based, DB）方法，證明SCAG算法的分枝檢測效果最佳（召回率、精確率和F-score分別為0.81、0.73和0.77），其F-score比另外兩種方法平均提高了42.67%。同時，基于SCAG提取的分枝角度與手動測量值之間的相關(guān)系數(shù)r=0.84。此外，SCAG算法還能有效應(yīng)用于玉米（r=0.95）和蕃茄（r=0.94）等作物的分枝角度提取。
 

表2 SCAG與其他算法比較結(jié)果
 

圖3 SCAG算法在其他作物上有較好的遷移性

3. 發(fā)掘了潛在的耐密株型鑒定新指標AHR和ALR

利用SCAG算法對3218株大豆單株點云數(shù)據(jù)進行分枝夾角等三維表型性狀的精準計算�；�于數(shù)據(jù)質(zhì)量控制，篩選出55個品種，用于進一步挖掘耐密植株型的新鑒定指標。通過組合分析，本實驗構(gòu)建了11個潛在指標，并依據(jù)其遺傳力和重復(fù)性，最終確定了角高比（AHR）和角長比（ALR）兩個性狀。這兩個新性狀在評估大豆耐密植潛力上展現(xiàn)出一定潛力，為大豆種植和育種提供了新的思路。
 

圖4 AHR和ALR在遺傳力以及重復(fù)性上均優(yōu)于CHR

4. 開發(fā)了一個植株分枝夾角分析軟件

本實驗已經(jīng)將SCAG算法封裝成軟件，并與源代碼一起上傳到了GitHub賬號（https://github.com/Jinlab-AiPhenomics/SCAG_PlantAngleExtractor）。我們相信開源代碼將有助于算法的不斷迭代升級。此外，我們還開發(fā)了一個用戶友好的軟件，也可以下載、安裝和使用，只需將自己的作物點云文件上傳到軟件中并點擊計算夾角按鈕，就可以得到點云分枝夾角數(shù)據(jù)，具體操作請參考上述 GitHub存儲庫中的說明。該軟件支持單株和多株樣本同時進行分枝夾角提取，以及自定義參數(shù)設(shè)置。

二、研究總結(jié)

分枝檢測和角度計算是精確和選擇理想株型的關(guān)鍵，對于推動大豆綠色革命至關(guān)重要。本研究提出了一種新穎的SCAG算法，該算法在分枝檢測和角度計算方面均取得了優(yōu)異的結(jié)果，顯著提高了分枝夾角計算的準確性和效率。此外，SCAG算法已驗證適用于玉米和番茄等不同作物，展現(xiàn)了良好的泛化能力。最后，我們提出了分枝角度的耐密植株型鑒定新指標，為大豆耐密植品種選育提供了新的智能決策依據(jù)。同時，我們期望通過共享數(shù)據(jù)集和算法，推動相關(guān)研究的發(fā)展。
 

加入作者交流群

掃碼添加小編微信，拉您進入《植物表型組學》作者交流群，群內(nèi)不定期開展作者分享會、專刊發(fā)布會等高質(zhì)量活動。

添加小編微信，備注姓名+單位+PP，加入作者交流群

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(shù)期刊，于2019年1月正式上線發(fā)行。采用開放獲取形式，刊載植物表型組學交叉學科熱點領(lǐng)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(shù)，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(yīng)用，與植物表型相結(jié)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(guān)的植物生物學等。期刊已被DOAJ、Scopus、PMC、EI和SCIE等數(shù)據(jù)庫收錄�？祁Ｎò睯CR2022影響因子為6.5，位于農(nóng)藝學、植物科學、遙感一區(qū)。2023年中科院期刊分區(qū)位于農(nóng)林科學大類一區(qū)。2020年入選中國科技期刊卓越行動計劃高起點新刊項目。

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。
編輯：王平
審核：孔敏、金時超