Рис имеет важное значение для глобальной продовольственной безопасности, поскольку обеспечивает пропитание половине населения мира. Его производство, особенно под влиянием факторов окружающей среды на стадии цветения, влияет на важные характеристики роста. Традиционные методы фенотипирования неэффективны для крупномасштабного анализа, что требует передовых и точных решений для мониторинга.
Последние достижения в области компьютерного зрения и машинного обучения, особенно глубокого обучения улучшили фенотипирование растений с помощью таких методов, как алгоритм масштабно-инвариантного преобразования признаков (SIFT) и сверточные нейронные сети, помогающие в анализе рисовых метелок. Однако эти методы сталкиваются с ограничениями в определении динамического роста рисовых метелок с течением времени. Чтобы устранить этот пробел, необходимо объединить полевые камеры с глубоким обучением для детального мониторинга в реальном времени.
Коллектив исследователей Нанкинского сельскохозяйственного университета опубликовал в журнале Plant Phenomics статью под названием «Анализ воздействия азота на развитие метелок риса посредством обнаружения метелок и отслеживания временных рядов».
В этом исследовании ученые рассказали о разработке технологии, использующей модели YOLO v5, ResNet50 и DeepSORT для автоматического извлечения подробных характеристик метелки риса из изображений временных рядов. Этот метод был протестирован на способность выявлять детальные различия в развитии метелок при различном внесении азотных удобрений. Результаты показали высокую точность подсчета метелок (R 2 = 0,96, RMSE = 1,73) и точную оценку даты колошения (абсолютная ошибка 0,25 дня).
Кроме того, метод облегчил анализ продолжительности цветения и сроков цветения отдельных метелок. Этот анализ показал, что повышенное содержание азота приводит к увеличению количества метелок, увеличению продолжительности цветения и более раннему началу цветения. Модель обнаружения метелок универсальна для всевозможных сортов риса, эффективно оценивает метелки различной формы, цвета и текстуры.
Для классификации метелок модель на основе ResNet 50 с высокой точностью различала сильноцветущие и немощные метелки. Технология облегчила анализ процесса цветения риса и определение даты сбора урожая, тесно согласуясь с ручными подсчетами и полевыми наблюдениями.
Кроме того, метод эффективно определял изменения цветения, вызванные такими факторами окружающей среды, как температура и влажность. При этом 70% метелок отслеживались полностью и непрерывно, несмотря на изменения окружающей среды. Исследование также выявило влияние азота на колошение и цветение риса, что указывает на потенциальное влияние на наполняемость зерна. Было замечено, что внесение азота увеличивает количество метелок, но также влияет на начало и продолжительность налива зерна.
В заключение, предлагаемая технология демонстрирует неразрушающий и точный подход к получению характеристик метелки. Это открывает новые возможности для анализа фенотипов риса при различных обработках азотом и условиях окружающей среды, тем самым способствуя развитию агрономических исследований и методов выращивания.
