论文部分内容阅读
水稻是世界最主要的粮食作物之一,全世界近一半人口以稻米为主食。水稻的产量一直是水稻育种中最为关心的问题。作为果实生长的器官,水稻穗部的性状如穗数、穗鲜重、穗干重、总粒数、实粒数、单株产量等直接与产量相关,因此是水稻的表型参数中能直接反应水稻育种水平的指标。在对水稻品种进行筛选和鉴定时,都需要对穗部性状参数进行测定与评价。传统的穗部性状测量主要依赖于人工,存在操作繁琐、劳动强度大、测量准确性受人工主观因素影响大等缺点。利用遥感成像和机器视觉等技术实现大面积大田水稻和高通量盆栽水稻测量不依赖手工测量,效率高,应用广。大田水稻穗部性状测量主要利用遥感技术实现大面积水稻的整体产量估测,需要使用专用设备获取遥感数据,不适用于小面积或单株水稻产量的估测,也无法精确估算单株水稻穗部性状参数。针对单株盆栽水稻穂部性状的在体测量技术,经查阅未见相关学术文献发表。此外,现代育种技术能在一天内生产上千个新品种,每一个品种都需要进行穂部性状测量以确定其育种和推广的潜力和价值。在这种背景之下,急需一种快速、简单、有效的穗部性状测量技术,以解决目前穗部性状测量技术的局限性。本研究基于机器视觉、图像处理、模式识别及数学建模技术,实现单株水稻穗部性状参数包括穗数、穗鲜重、穗干重、总粒数、实粒数、单株产量的在体测量。主要研究内容包括:(1)水稻稻穗区域的提取。研究图像分割与处理算法,从水稻植株图像中提取出稻穗区域,分割算法必须快速有效,以实现快速测量的要求。(2)水稻稻穗区域的识别。经过图像初步处理后提取得到的稻穗区域中,可能存在茎叶等不属于稻穗的区域,需开发合适的识别算法,实现稻穗区域的准确识别。(3)穂部性状在体测量。在稻穗区域的准确提取和识别的基础上,实现水稻穗部性状的在体测量。利用数学建模技术,建立合适的产量相关特征的估测模型。实验结果表明,穗数测量平均误差为0.5,其中95.3%的植株的测量误差在±1以内。5-fold交叉验证结果显示,穗鲜重、穗干重、总粒数、实粒数和单株产量5个回归模型的预测误差分别为7.93%、7.37%、8.59%、7.72%和7.45%。这种方法适用于不同环境下(温室环境下和露天环境下)的水稻产量的在体估测。用后验差检验法对建立的5个回归模型的模型精度验证结果均为二级-合格。本文所述的水稻穗部性状在体测量方法,克服现有的仪器或研究所存在的问题,不需要将稻穗剪下后脱粒。结合自动化栽培、输送和图像采集平台,可实现盆栽水稻穂部性状的全自动化、高通量测量。主要创新点包括:(1)提出了一种在体、全自动化、高通量测量单株盆栽水稻穂部性状的新方法,解决了穂部性状测量依赖于人工测量的难题。(2)提出了水稻稻穗在体准确提取与识别的图像分析与处理新方法,解决了从水稻植株图像中提取与识别稻穗区域的技术难题,为单株盆栽水稻穂部性状在体测量的实现提供了技术支撑和先决条件。(3)提出了基于稻穗投影面积、茎叶投影面积和分形维数建立水稻产量相关特征包括穗鲜重、穗干重、总粒数、实粒数、单株产量的在体估测数学模型的新分析方法。本研究将提高单株水稻穗部性状参数获取的速度,推动表型组学的发展,对发现并揭示水稻等作物重要基因功能,加强和提升我国在功能基因组及作物遗传改良领域的水平和地位有非常重要的意义。