《Smart Agricultural Technology》：Vision-Based Rice Panicle Phenotyping from Oblique UAV Imagery
编辑推荐：
水稻是全球超过半数人口的主食。尽管农艺管理和遗传改良持续进步，许多主要产区的稻谷产量已趋于平稳，而全球需求仍在持续增长[1]。由于扩大耕地面积的机会日益受限，提高单位面积产量因此成为满足日益增长需求的主要策略[2,3]。
稻谷产量是一个受遗传及多种环境和管理因
水稻是全球超过半数人口的主食。尽管农艺管理和遗传改良持续进步，许多主要产区的稻谷产量已趋于平稳，而全球需求仍在持续增长[1]。由于扩大耕地面积的机会日益受限，提高单位面积产量因此成为满足日益增长需求的主要策略[2,3]。
稻谷产量是一个受遗传及多种环境和管理因素共同控制的复杂性状。在影响稻谷产量的关键性状中，开花时间、穗密度和穗大小尤为突出[4-7]。穗大小性状（包括穗长、穗宽和穗面积）与颖花数和粒重密切相关，使其成为水稻育种计划的主要目标。因此，准确高效地测量这些性状对于基因型评价、产量预测和选择决策至关重要。传统上，这些性状的测量依赖于目视检查和人工测量，劳动强度大且耗时[8]，严重限制了可实际评估的基因型数量、试验地点和性状数量[9-13]，最终导致遗传增益缓慢。
配备高分辨率RGB和多光谱传感器的无人机（UAV）能够在较大田间面积上实现快速、非破坏性的数据采集，具有高空间和时间分辨率。基于无人机成像和深度学习的高通量表型分析已成为克服人工测量局限性的有前景的解决方案[14-18]。
早期从图像中检测水稻穗的尝试主要依赖于手工设计的特征（如颜色、纹理和形状），通常结合传统图像处理技术。典型例子包括基于超像素的分割[19]、针对直立穗的无监督贝叶斯学习[20]，以及用于估算穗与最大分蘖密度比值的网络[21]。这些经典方法计算量大，对光照变化敏感，且在面对复杂田间背景时经常表现不佳。
后续研究转向深度学习方法。部分研究人员应用适用于拥挤场景的密度图回归技术[3,22,23]，另一些则采用两阶段目标检测器（如Faster R-CNN），在相对稀疏或直立的穗上表现良好[24,25]。单阶段检测器（尤其是YOLO系列的不同版本）后来占据主导地位，因为其在速度和精度之间提供了有吸引力的平衡[26-28]。近期一些工作引入旋转边界框以更好地捕捉穗的朝向[29]，但这些努力仍往往局限于特定的生长条件。
实例分割（为单个对象提供像素级掩膜）在田间水稻穗检测方面的关注度远低于其他方法。已发表的例子包括带有额外预处理步骤的增强版Mask R-CNN[30]以及旨在估算穗数和穗形的基于视觉Transformer的模型[31]。
这些研究中的绝大多数使用天底视角图像，并侧重于计数穗而非详细描述其几何特征。迄今为止，几乎所有目标检测和实例分割研究都依赖于天底视角图像。该视角使得穗大小的可靠测量变得困难或不可能，因为穗出现缩短现象，且重叠的分枝无法在三维空间中充分解析。
斜视无人机成像提供了一种有前景的替代方案，通过捕捉侧视信息更好地表征穗结构并减少遮挡效应。由于水稻穗在发育早期大多直立，以斜视角（45°）拍摄的图像包含关于穗特征的大部分信息。斜视视角已被证明能改善多种作物垂直器官的可视性并增强形态特征的提取[32,33]，但其在水稻穗表型分析中的应用仍然有限。特别是，很少有研究探索斜视无人机影像在不同品种和发育阶段同时估算穗密度和穗大小的潜力。
本研究通过开发一种基于斜视（45°）RGB无人机影像的图像处理流程来解决这一关键空白，用于水稻穗高通量表型分析。所提出的方法能够同时估算不同生长阶段和品种的穗密度、弯曲度及大小（包括面积和分布）。研究人员进一步证明了该方法支持水稻育种性状评估和作物性能评价的潜力，填补了水稻高通量表型分析中的关键技术空白。
一、研究背景与问题
水稻是全球半数以上人口的主食作物，尽管农艺管理和遗传改良不断进步，许多主要产区的水稻产量已趋于平稳，而全球需求持续增长。在耕地扩展受限的情况下，提高单位面积产量成为满足需求的主要策略。水稻籽粒产量受遗传及多种环境和管理因素共同控制，其中开花时间、穗密度和穗大小是关键影响性状。穗大小性状（包括穗长、穗宽和穗面积）与颖花数和粒重密切相关，是育种计划的主要目标。传统测量依赖目视检查和人工测量，劳动强度大、耗时长，严重限制了可评估的基因型数量、试验地点和性状数量，最终导致遗传增益缓慢。
无人机（UAV）搭载高分辨率RGB和多光谱传感器，可在较大田间面积上实现快速非破坏性数据采集，结合深度学习的高通量表型分析成为克服人工测量局限的有前景方案。早期穗检测方法依赖手工特征和传统图像处理技术，计算量大、对光照变化敏感，在复杂田间背景下表现不佳。后续深度学习研究采用密度图回归、Faster R-CNN和YOLO系列检测器，但多数研究使用天底视角图像，侧重于穗计数而非详细几何特征表征。天底视角使穗大小测量困难，穗出现透视缩短且重叠分枝无法在三维中充分解析。斜视无人机成像通过捕捉侧视信息可更好表征穗结构并减少遮挡，但应用于水稻穗表型分析仍十分有限，尤其是同时估算不同品种和发育阶段穗密度与穗大小的研究几乎空白。
二、研究内容与意义
本研究针对上述关键空白，开发了基于斜视（45°）RGB无人机影像的图像处理流程，实现水稻穗高通量表型分析。该方法能够同时估算不同生长阶段和品种的穗密度、弯曲度及大小（包括面积和分布），并证明其支持水稻育种性状评估和作物性能评价的潜力，填补了水稻高通量表型分析中的关键技术空白。
三、关键技术方法
研究采用混合经典-量子框架进行水稻穗分割。数据采集使用DJI Inspire 2无人机搭载Zenmuse X7相机（50mm镜头，24MP分辨率），飞行高度4.5m，相机倾斜45°。样本来自美国德克萨斯州Beaumont的Texas A&M AgriLife研究与推广中心，涵盖40个水稻基因型（2022-2024年种植）及8个商业品种。图像处理流程包括：将6016×4008像素原始图像分割为1504×1002像素瓦片，使用Roboflow Smart Polygons标注，经水平翻转、旋转和亮度调整增强后共得12,800张图像（训练11,816张、验证496张、测试488张）。核心方法整合YOLO11进行特征提取、SAHI（切片辅助超推理）进行高效分块、Qiskit进行量子模拟，采用FRQI（量子图像灵活表示）和NEQR（新型增强量子表示）编码，结合卷积头和量子退火及变分算法实现分割。
四、研究结果
4.1 模型训练与数据集构建：研究团队在2022-2024年间多个日期采集无人机影像，覆盖早、中、晚期水稻穗发育阶段。共1231张图像获得标注，其中985张用于训练、124张用于验证、122张用于测试。经预处理、分块和增强后，最终图像数达12,800张。
4.2 混合分割框架性能：该流程结合经典计算机视觉模型与量子启发算法，在关键评估指标上比最先进基线方法提升4-18%。
4.3 穗性状估算：研究人员实现了水稻穗密度、大小（面积、长度、宽度）、弯曲度和分布的同时估算，并能区分不同水稻品种间的性状差异。
4.4 应用验证：该方法在不同生长阶段和品种间均有效，证明了其在支持水稻育种性状评估和作物性能评价方面的潜力。
五、讨论与结论
本研究填补了斜视无人机影像在水稻高通量表型分析中的应用空白。通过混合经典-量子分割框架，实现了从斜视无人机影像中同时估算穗密度、弯曲度和大小（包括面积和分布），并在不同生长阶段和品种间验证了方法的有效性。该流程在关键评估指标上优于现有最先进基线方法4-18%，展示了其支持水稻育种性状评估和作物性能评价的潜力。这一技术路径为水稻高通量表型分析提供了新方案，有望加速遗传增益进程。
