核心提示：

中国科学院植物研究所苏艳军研究组联合南京农业大学金时超团队，构建了包含120个品种的田间小麦地基激光雷达数据集，提出了海量麦穗标记数据集构建方法，研发了结合深度学习和几何修正算法的麦穗自动识别与分割算法，实现了田间小麦麦穗的自动高效提取。

　　小麦（Triticum?aestivum L.）是重要的粮食作物之一。培育具有理想株型特征的小麦品种是缓解粮食危机的重要途径之一。穗是小麦的生殖器官，直接决定小麦产量，而基于穗部表型性状的小麦理想株型筛选是小麦高产品种培育的重要依据。近些年，激光雷达技术的快速发展为小麦穗部表型特征提取提供了理想数据源。然而，小麦植株体积小、冠层同质性强、器官特征差异不明显，难以设计理想的几何特征以实现麦穗分割，制约着麦穗表型性状的提取精度与效率。而穗部表型性状高效精准提取方法的缺失，进一步限制了麦穗表型性状与小麦产量间关系的研究及其在小麦理想株型筛选中的应用。

　　中国科学院植物研究所苏艳军研究组联合南京农业大学金时超团队，构建了包含120个品种的田间小麦地基激光雷达数据集，提出了海量麦穗标记数据集构建方法，研发了结合深度学习和几何修正算法的麦穗自动识别与分割算法，实现了田间小麦麦穗的自动高效提取。经与实测数据对比，该算法的麦穗识别精度和个体分割精度可分别达到87.17%和84.62%。以小麦麦穗个体分割结果为基础，该研究进一步提出了麦穗表型性状自动提取算法，实现了穗密度、穗长、穗宽、弯曲度、穗倾角、穗高、穗面积、穗体积等多种麦穗表型参数的高精度估算。此外，除了穗长、穗宽等易测量的传统麦穗表型性状，本研究获取的传统难以测量的麦穗表型性状亦对小麦产量有显著影响，并能够用于有效区分小麦品种间的差异。上述成果验证了麦穗表型在小麦理想株型筛选中的关键作用。同时，该团队提出的高通量无损麦穗表型提取方法，对于加快小麦育种周期颇具潜力。

　　近日，相关研究成果在线发表在IEEE Transactions on Geoscience and Remote Sensing上。研究工作得到中国科学院战略性先导科技专项和国家自然科学基金等的支持。新疆大学、石河子大学、南京农业大学和香港大学的科研人员参与研究。