摘要：各位老师好！我是“一麦众承”第6组的组员郑树松，现在中国科学院遗传与发育生物学研究所工作，今天代表小组值日。我们组长是张保亮老师，组员有刘源海、赵鹏飞、刘冬成、陈文超、方正武、刘江、刘静、孙苏阳、安庆学、何一哲、朱俊科、陈令志、许云峰、李锋、薛德、晨龙、王国兴
各位老师好！我是“一麦众承”第6组的组员郑树松，现在中国科学院遗传与发育生物学研究所工作，今天代表小组值日。我们组长是张保亮老师，组员有刘源海、赵鹏飞、刘冬成、陈文超、方正武、刘江、刘静、孙苏阳、安庆学、何一哲、朱俊科、陈令志、许云峰、李锋、薛德、晨龙、王国兴、高洪昌、耿惠敏、田胜利、董中东、王英杰、林峰、刘伟、冯万伟、鲍印广、吴云龙等29位老师。加入一麦众承大家庭以来每天都关注推送文章，学到了许多小麦专业知识，感谢搭建“一麦众承”交流平台的各位专家所做出的努力和贡献，也感谢各位老师在此平台分享的宝贵工作经验和重要研究成果。
作为一个小麦遗传育种工作者，我跟大多数小麦工作者一样，经历过人工考种的艰难——请不到年轻工人、数穗数和小穗数数到眼睛花、晚上对数据的时候发现错了号等等。两年前，我有幸进入表型组团队，鉴于过去受的苦，我们这两年把小麦考种的大部分项目做成了图像考种项目。不仅考种速度倍增，数据的质量也得到了大幅度的提升，而且极大地节省了用工。借此机会，我将其中的一些进展介绍给大家，期待能给大家在小麦表型调查的方法上带来一些启示。文章疏漏不足之处，敬请各位老师批评指正。
一、小麦表型调查的必要性
在小麦遗传与育种工作中，表型调查是贯穿小麦生长期的关键环节，为遗传解析和育种筛选提供重要数据。它为品种选育奠定基础，通过精确调查小麦物候期等关键表型，助力筛选出生态适应性强的优良品种；准确统计穗数、每穗粒数、千粒重等指标为产量预测提供可靠数据支撑；在品质评价方面，以容重为例，能初步判断小麦的加工品质和商品价值，为分级销售和加工利用提供科学依据；同时，对小麦抗逆性评价意义重大，可精准筛选出抗逆性强的品种。总之，小麦表型调查贯穿于小麦生长期的各个阶段（图1），是小麦遗传育种研究的基石，为挖掘关键基因提供数据，加速优良品种培育进程。
图1 小麦表型调查的项目
二、小麦表型调查的成本
如上所述，表型调查是不可或缺的关键环节，但其成本问题不容忽视。传统的小麦表型调查主要依赖人工测量和记载。无论是小麦育种团队还是从事小麦遗传解析的团队，为了获取全面且准确的小麦品种或系的表型数据，都需要投入大量人力物力开展调查工作。以我们2017-2018年在河北省赵县秋播小麦表型调查为例，当时共有11,487个小区，日工价为60元/工。调查内容涵盖田间的最高分蘖数、小穗数、株高、旗叶长宽、穗长和芒长等性状，以及收获后在库房进行的茎秆分节长、茎粗、单穗产量、单株产量等指标测定。仅从用工成本角度测算，在所调查的众多表型数据点中，最高分蘖数的调查成本最低，为0.023元/值，而产量数据的调查成本最高，达到0.112元/值，其余数据点成本在0.034元至0.050元/值之间（具体成本数据见表1）。
在育种和遗传研究中，通常需要调查大量的单株，以满足育种选择或遗传群体表型评价的需求。为确保数据可靠性，材料需设置重复，小区需调查至少5个单株的表型来计算平均值，这使得表型调查的总成本大幅增加，成为一项极为耗费人力和资金的工作。
随着社会经济的发展，农民的工资水平逐渐提高，而愿意从事田间考种工作的人却越来越少，多数是60岁以上的老人，这些老人受教育程度低，容易出现人为错误，且不同考种人员对同一表型的判断标准不一致也会产生误差，进而影响考种数据的质量。低质量的数据会削弱表型数据在遗传解析和品种选育中的应用价值，降低育种效率。鉴于此，开发高效、精准的考种设备已成为当务之急。
三、小麦智能考种的方法
下边，我将介绍几种小麦图像考种的方法，这些方法所需设备及其操作极其简单，每个小麦研究团队都可以开展。为了方便大家使用，我们与中科锐谷(北京)科技有限公司开发了一些辅助工具，如手机拍摄支架、室内考种机等，有需要的可以随时联系李经理（联系方式：159 7744 0936）。所需的代码，我们会陆续公布在github网站上（https://github.com/Jiang-Phenomics-Lab）。若哪个研究组有个性化的需要，也可以跟我联系，我们一起商量如何根据你的表型采集图像，然后根据图像来开发算法完成表型识别。
1.籽粒表型智能提取
籽粒的图像考种方法是最先被广泛使用的考种方法。这种方法流程包括：1）用扫描仪或高清相机获取小麦籽粒高精度图像；2）图像分析技术自动识别籽粒；3）对籽粒进行计数和测量形状、大小、颜色等特征，同时计算出籽粒的面积、周长、长宽比等参数。这种方法比人工测量更快更准，而且可以同时处理大量籽粒，适用于大规模的小麦种子表型测量。国内目前有现成的小麦籽粒考种软件和设备，如万深检测的SC-G自动种子考种分析及千粒重仪（http://www.wseen.com/）。目前，市场上现有的软件无法通过二维图像自动测量厚度。为了弥补这一不足，我们开发了一种种子姿态识别算法。该算法能够识别随机撒布的种子的姿态，包括匍匐、侧位以及其他姿态。基于此，我们不仅可以利用二维图像测量种子的长、宽和面积等常见参数，还可以通过识别到的侧位籽粒来测量其厚度（如图2所示）。
图2 基于2D图像的种子表型测量
2.穗子表型智能提取
小麦的穗型是育种家关注的重点表型。我们开发了麦穗表型的识别软件，以实现麦穗的精准表型测量。其步凑如下：1）从田间收获代表性的主穗；2）用高清相机拍摄穗子侧面的照片；3）软件自动识别出穗子和小穗；4）对穗子和小穗的表型进行测量。软件一次性可输出穗长、穗宽、小穗数（不育小穗数）、穗子面积、穗周长、穗圆度等穗子整体的表型，以及小穗面积、周长、圆度、角度、长度、间距等小穗的表型（图3）。
图3 小麦穗型的智能识别
为了快速统计穗粒数，我们也开发了拍摄穗子正面的照片，然后进行籽粒计数的方法。与上边的方法类似，其步凑如下：1）从田间收获代表性的主穗；2）用高清相机拍摄穗子正面的照片；3）软件识别出籽粒（图4）。基于单面调查的粒数可以算出穗粒数，也可以两面都拍照加在一起获取穗粒数，而不需要脱粒的过程。
图4 小麦籽粒数的智能识别
3.茎秆表型智能提取
小麦的杆子特性与抗倒伏、株型、光合效率高度相关。我们开发了茎秆测量的软件，可获取茎秆的精细表型。具体步凑如下：1）从大田中拔取有代表性的单株；2）剥去叶片；3）将茎秆摆在黑色背景布上拍照；4）用软件识别茎秆（图5），可获取如下表型：穗数、穗长、穗宽、穗面积、杆长（株高）、杆分节长和粗等表型。
图5 小麦茎秆表型的智能识别
4.叶夹角表型智能提取
小麦的叶夹角，尤其是旗叶夹角是小麦株型的主要特征。我们开发了旗叶夹角的测量软件，可精确测量此表型。其方法如下：1）在大田中用简易的手机架获取旗叶夹角的图像；2）用软件识别茎秆、叶片和交接点三个关键点，进而算出叶夹角（图6）。
图6 小麦叶夹角的智能测量
5.小麦冻害表型智能提取
冬小麦是越冬作物，要经过严寒的冬季，严格的抗冻性评价是品种安全生产的保障。在育种过程中，常规的抗冻性评价通常采用简单的打分方式，一般分为5类，甚至简单到分两类，打“√”表示抗冻性尚可接受，打“×”则表示抗冻性差而需淘汰。然而，在进行抗冻性遗传解析时，需要更为精细地评估小麦受冻的程度，传统的打分评价方式就显得不够精确，难以满足这种精细分析的需求。为此，我们开发了一个简单易用的冻害评估方法，具体步凑如下：1）将手机固定到一个圆凳上；2）手机通过座板的圆孔向下拍照，获取有代表性的一段麦子的照片；3）用软件利用凳子的圆圈抠出目标区域；4）用软件把目标区域的麦子（包括绿叶和黄叶）抠出来；5）通过颜色分割拆分出小麦绿色部分和黄色部分，算出黄叶占比来表示冻伤的程度，也可以算出绿叶占比来表示耐冻的程度（图7）。
图7 小麦冻害的智能评估
类似的，我们也开发了白粉病、锈病的病斑识别算法，可以算出叶片上发病的面积，进而用于评估小麦的抗病性和进行遗传解析。
以上的这些方法涵盖了小麦考种的大部分项目，结合上述的方法能高效地对小麦表型进行评价。具体操作如下：收获时每个小区拔取30株单株并带回库房。考种时从中挑选5个单株进行茎秆拍照，识别茎秆表型；脱粒后获取单株产量数据。再从剩余的25个单株上剪取10个主穗，侧面拍照以获取穗子和小穗的表型；脱粒后拍照识别籽粒表型和籽粒数，进而算出穗粒数，称重后可计算出千粒重。这套方法的优势在于：比传统方法快三倍，用工减少了一半以上，且无需手动输入数据，有效避免了数据输入错误。此外，每个材料的每个表型都有图像档案留存。
四、小麦图像考种采图的注意事项
在基于图像的小麦考种中，图像质量直接决定软件识别效果。以下为确保图像质量的一些注意事项：
1.图像清晰度与纹理特征
表型数据准确性依赖图像细节捕捉。小麦籽粒纹路、穗轴结构、茎秆分节等微观特征若因分辨率不足或光线干扰模糊，会导致软件识别误差。反光和阴影也会掩盖真实表型特征，影响颜色分析。建议选用高分辨率设备采集图像，如单反相机或工业扫描仪，拍摄时让目标器官占满整个图像范围，确保材料边缘和纹理清晰可见。这样做的目的是让器官在2D图像中尽可能完整且清晰地展示，并且由尽可能多的像素点来表示，以便软件能更精准地进行识别。例如，若目标材料是芒，需清晰呈现芒的细节，即使最尖端也应由多个像素点组成。拍照时尽可能用柔和的光照射样本，消除局部反光。非大田拍摄可采用环形LED补光灯或柔光箱提供均匀光照，大田拍摄则可用打伞方式获得柔和的光照条件。
2.图像要包含标准化参照物
图像识别测量表型时，需将像素换算成物理测量单位，因此每张图像需包含一个标准化参照物。推荐在每张图像中固定放置哑光材质白色或红色圆片，如钱币卡。图像识别表型时，软件先自动识别标准化参照物，根据其像素和尺寸关系自动校正图像比例，以获取目标器官的真实尺寸。对于计数表型，则不需要标准化参照物。
3.几何畸变控制技术
镜头畸变（如桶形失真）和拍摄角度倾斜会导致图像样本几何比例失真。例如，穗长在广角镜头下可能被拉长，俯拍茎秆时因透视变形导致分节长度测量值偏离真实值。为此，建议使用50mm定焦镜头（接近人眼视角，畸变率
4.时效性管理和环境一致性
小麦许多表型具有动态变化特性，如白粉病的病斑会逐渐增大、叶片黄色随成熟加深等。建议在调查一个群体表型时，一两天内拍完所有材料。条件允许下，采用统一光源拍照。拍照时可用电脑软件digiCamcontrol软件控制相机，为图像添加小区名称和时间戳，同时实时查看图像质量。
以上是图像识别表型中的一些注意事项，其核心就是拍摄到能反映真实表型的图像，并且让目标表型由最多的像素点来表示。这样在深度学习的时候，模型就容易识别器官的特点，进而做出准确的识别。理论上来说，只要是肉眼可见的表型都可以通过软件来量化，进而用于描述植物的特征。
五、小麦表型评价未来的畅想
以上介绍的基于摆拍方式的小麦表型考种方法，只是智能表型分析领域的一个起点。随着科技的不断进步，小麦表型评价正朝着更加自动化、智能化的方向发展。我们团队同样致力于开发基于无人机和无人车采集图像的表型识别算法，能够高效获取植被覆盖率、叶色、抽穗期、开花期、落黄速度、穗数、病害、倒伏面积等丰富表型数据。不过，这类技术通常依赖专业设备，如大疆M350无人机等行业级无人机。若您已配备这类无人机但缺乏相应算法支持，欢迎与我们联系，我们将提供合作开发算法的技术支持，助力实现精准的表型信息提取。
随着低空导航卫星组网完成与厘米级北斗导航系统普及，辅以RTK高精度定位技术，农业机器人技术正推动小麦表型研究进入全自动化时代。将来，基于厘米级导航定位的田间机器人集群，集成多轴机械臂、高精度可见光成像仪、高光谱成像仪与激光雷达，沿着预设轨迹穿梭于麦垄之间。这些机器人通过多模态传感器将小麦从萌芽，到灌浆和成熟的全生育期表型，转化为每秒数万帧的时序数据流，在云端经多模态数据融合算法生成可交互的数字孪生植株。育种家在虚拟现实终端中，可对比任意基因型的三维动态模型——从穗部随干热风的形态演变、功能叶黄化下垂与籽粒灌浆速率的时空关联，到根系微生物群落的动态互作。当指尖轻触全息投影中的麦穗，蛋白质含量预测值即刻从近红外光谱数据中析出；拖动时间轴，两个试验小区的完整生长历程便以分钟级速度重现眼前。这种“时空压缩”能力，使育种家得以在全生育期维度客观筛选优株，精准锁定抗逆性强、产量潜力高的候选品系。未来，这一场景并非科幻片段，而是融合机器人自主采集、智能计算与表型大模型的育种新范式。未来的育种家将不再是一把尺子走天下，而是喝着咖啡在办公室研究数据的数据分析师。
致谢：以上工作得到了农业生物育种重大专项（2023ZD04076）和中国科学院百人计划的支持，特此感谢。此外，我们还要感谢遗传与发育生物学研究所凌宏清团队为我们提供实验材料和大田试验，支持我们采集图像，并提供人工表型数据参照。
来源：捷宇时尚家一点号