基于田间表型特征的大豆育种小区高通量出苗率统计方法：创新突破与应用前景

《Plant Methods》：A statistical method for high-throughput emergence rate calculation for soybean breeding plots based on field phenotypic characteristics

为解决大豆出苗率统计受环境制约、现有方法精度低等问题，研究人员开展基于田间表型特征的高通量统计方法研究，结果显示该方法准确率达 99.18% ，为大豆育种提供重要支持。

　　在农业生产的舞台上，大豆作为重要的农作物，其出苗率的准确统计对田间管理和育种筛选意义非凡。想象一下，农民和育种专家们就像在田地里寻找宝藏的探险家，大豆出苗率就是他们衡量收获潜力的关键指标。它不仅能帮助评估大豆品种的质量，预测产量，还能指导田间管理，优化种植策略，从而让种植决策更加科学合理，提高生产效率。

然而，传统的大豆出苗率统计方式就像一位行动迟缓的老人，主要依靠人工观察，效率低下。面对复杂多变的环境，它就像在暴风雨中迷失方向的船只，难以快速应对环境变化和突发事件，导致管理和决策延误。近年来，基于无人机（UAV）平台的遥感技术蓬勃发展，如同给农业监测装上了 “千里眼”，以其可靠性、灵活性和经济性等独特优势，成为区域农田监测的有效手段。

但在大豆幼苗图像检测的领域里，仍然存在诸多挑战。传统的图像检测方法在面对亮度昏暗、有阴影的大豆幼苗图像时，就像戴着模糊眼镜的人，检测效果不理想，容易出现误检和漏检。在密植环境下，现有的方法也难以对作物幼苗进行快速、准确和高效的计数统计。

为了攻克这些难题，沈阳农业大学的研究人员踏上了探索之旅。他们开展了基于田间表型特征的大豆育种小区高通量出苗率统计方法的研究，旨在提高育种筛选的通量、效率和准确性。

研究人员运用了一系列关键技术方法。在数据收集方面，他们在沈阳农业大学的大豆育种实验基地，于大豆幼苗三叶期，利用无人机 DJIM300 收集了正交图像和地面出苗率数据，并将实验区域划分为 2599 个小区，随机选取 694 个小区作为实验数据来源 。在图像处理中，采用了批分割和背景去除技术，通过对比增强、噪声滤波，结合超绿特征值和大津法（Otsu 算法）去除背景；利用 Labelme 进行半自动标注，并对比多种模型后选择 YOLOv8n 作为目标检测模型 。针对不同生长情况的大豆幼苗，设计了相应的计数算法，如 “生长归一化” 算法、重叠幼苗计数算法等，还提出软策略消除重叠检测框的影响。

研究结果如下：

1. 不同模型目标检测效果对比：对比了 Yolov5n、Yolov7-tiny 等五种不同的目标检测模型，发现 Yolov8n 在检测大豆幼苗时，平均精度均值（mAP (0.5–0.95)）表现最佳，在检测速度相似的前提下，更适合作为本研究的检测模型。
2. 图像背景去除对目标检测模型的影响：去除背景后，Yolov8n 模型的精度、召回率和平均精度均值等指标均有所提高，模型训练效果更好，检测框重叠、漏检和误检现象减少，说明背景去除有助于提升模型检测性能。
3. 大豆出苗计数方法的测试与评估：对非均匀生长、有重叠情况以及存在标记重叠影响的大豆幼苗图像进行测试，结果表明研究中提出的计数方法能够更准确地统计幼苗数量，验证了计数公式的有效性。在对 48 个育种小区的测试中，该方法整体准确率达 99.18%，误差率为 0.82% 。利用该方法计算 2599 个育种小区的出苗率，并将其分为五个等级，为大豆品种筛选提供了定量数据支持。

研究结论和讨论部分指出，该研究整合图像处理和深度学习技术，提出的高通量统计方法在图像预处理、模型选择和计数算法设计上取得了一定成果。背景去除、半自动标注等方法提高了实验效率，设计的计数算法有效解决了大豆幼苗生长和重叠计数问题，在密植场景下达到了较高准确率，生成的出苗专题图对育种选择有辅助作用。然而，研究也存在局限性，如杂草干扰、生长范围适应性和相关信息研究拓展等方面有待进一步深入研究。

这项研究成果发表在《Plant Methods》上，为大豆品种育种和种植策略优化提供了重要参考依据，为农业领域的发展点亮了一盏新的明灯，指引着后续研究朝着更精准、更高效的方向前进。