《Smart Agricultural Technology》：High-Throughput Panicle Counting of Wild Rice Accessions for Germplasm Evaluation: An AI-Driven UAV Phenotyping Framework
编辑推荐：
野生稻（Oryza spp.）蕴含丰富的遗传变异，是改良栽培稻产量相关性状的重要种质资源。穗数是评价野生稻分蘖能力及产量潜力的关键表型性状。然而，现有穗数表型获取方法效率低、依赖人工操作，且植株目标与种质编号匹配繁琐。研究人员提出了一种AI驱动的无人机（UAV
野生稻（Oryza spp.）蕴含丰富的遗传变异，是改良栽培稻产量相关性状的重要种质资源。穗数是评价野生稻分蘖能力及产量潜力的关键表型性状。然而，现有穗数表型获取方法效率低、依赖人工操作，且植株目标与种质编号匹配繁琐。研究人员提出了一种AI驱动的无人机（UAV）表型框架，用于野生稻种质评价中的高通量穗计数。该框架集成田间植株定位、种质编号绑定、飞行航线规划、逐株视频采集、时空配准、视频切片及穗检测与跟踪，实现以种质编号为索引的结构化穗数输出。针对无人机影像中野生稻穗体积小、结构松散、形态多变及风致摆动等问题，研究人员构建了野生稻穗检测模型，并开发WRPD-Tracker用于跨帧身份关联与非冗余计数。穗检测模型AP@50达91.56%，较DEIM基线提升6.16个百分点，参数量3.70 M，计算量6.55 G FLOPs；WRPD-Tracker的HOTA为65.1%、MOTA为79.0%，HOTA较基线提升5.8个百分点。最终计数与人工地面计数高度一致，R2为0.992，MAE为0.37穗。该框架支持野生稻穗数表型的批量获取，为种质评价、穗数性状比较及后续产量相关表型研究提供量化支撑。
研究背景方面，野生稻（Oryza spp.）在长期自然演化中保留了抗逆、广适及产量相关有益等位变异，是拓宽栽培稻遗传基础的核心种质。穗数由有效分蘖决定，是评价分蘖能力、穗部建成与高产育种潜力的关键产量相关性状。对于数百至数千份野生稻种质的规模化群体，传统逐株人工田间计穗耗时费力且易引入观测与记录误差，难以支撑大群体精准表型与基因定位需求。近五年无人机（UAV）结合深度学习虽在作物高通量表型中展现潜力，并在野生稻病害检测中已有应用，但面向野生稻穗计数的自动化流程仍面临视觉模型层（小目标穗检测、风致摆动下跨帧非冗余计数）与工作流层（自动采集、视频切片、种质身份匹配）的双重挑战。因此，研究人员开展了AI驱动UAV表型框架研究，以实现种质编号级结构化穗数输出，论文发表于《Smart Agricultural Technology》。
关键技术方法上，研究人员于海南三亚两处野生稻苗圃（含O. rufipogon与O. officinalis共881份种质）采集2023—2026年数据，使用Mavic 3M、Mini 4 Pro、Mini 2三款无人机。构建三个数据集：穗检测图像集（13526图，按视频切分防泄漏）、基于数字正射影像（DOM）的植株检测集（9752块1024×1024 patch，PPK校正水平RMSE 0.035 m）、动态多目标跟踪评测集（30段连续视频）。系统层集成DOM重建（OpenDroneMap）、仿射坐标变换、种质编号交互绑定、自适应悬停航线生成、SRT遥测时空配准与单株视频切片；视觉层以DEIM为基线改穗检测器，以BoT-SORT为基线改WRPD-Tracker。
研究结果部分，按原文小节浓缩如下。
2.1 野生稻种质、试验点与UAV数据采集：两试验点分别维护725与156份种质，株行距1.1—1.8 m；风速低于4.5 m/s下采集4K 30—60 fps视频；Mavic 3M负责任务级正射与定位，Mini系列负责低空近距穗视频。
2.1.1 野生稻穗检测图像数据集：多角度多尺度（2—4 m高、云台?90°至?45°、1—3倍数码变焦）采集，按UAV运动动态抽帧（10—30帧间隔），LabelImg标注超10万框，按视频与种质归属划分8:1:1，训练验证测试无同源泄漏。
2.1.2 野生稻植株检测数据集：Mavic 3M 15 m航测经ODM重建DOM，RTKLIB做PPK校正；按地理区块划分滑动窗口1024×1024，标注冠层最小外接矩形，8:1:1划分。
2.1.3 动态多目标跟踪评测数据集：30段约20 s连续视频，CVAT做Bounding Box+Track ID跨帧标注，独立于检测集与训练集，用于HOTA/MOTA/IDF1/IDSW评测。
2.2 AI驱动UAV表型框架总体架构：四步流水线——目标初始化（DOM上检株并绑种质编号）、自适应航线与自动采集（逐株定点悬停）、时空配准与视频切片（SRT轨迹配DOM坐标截悬停窗）、动态穗跟踪与表型输出（检测+WRPD-Tracker得每株穗数）。
2.3 系统实现：2.3.1 空间定位与编号绑定用仿射矩阵Tg(e,o)将像素(x,y)映到WGS84(λ,φ)，λ=a0+a1x+a2y，φ=b0+b1x+b2y，冠层中心转地理坐标后交互绑编号。
检测模型结果：AP@50 91.56%，超DEIM基线6.16 pt，参数3.70 M，FLOPs 6.55 G。跟踪模型WRPD-Tracker：HOTA 65.1%，MOTA 79.0%，HOTA超基线5.8 pt。田间验证：UAV计数vs人工地面计数R2=0.992，MAE=0.37穗；跨田块53株独立评测与主实验100株无重叠，跨日期跨田块一致。
讨论与结论翻译浓缩：研究人员指出，该框架在视觉层通过定制检测器与WRPD-Tracker缓解了小穗、松散穗、风致非线性摆动及短时遮挡带来的漏检与ID切换；在工作流层通过DOM定位—编号绑定—航线规划—SRT配准切片，消除了采集成像与种质身份脱钩的人工环节。结论为：所提AI驱动UAV表型框架能够实现野生稻种质级高通量穗数获取，检测与跟踪指标优于各自基线，最终计数与人工一致（R2=0.992，MAE=0.37），可为野生稻种质评价、穗数性状比较及产量相关遗传研究提供结构化量化表型支撑。
