基于點云的大豆分枝夾角提取算法開發與耐密植株型新性狀發掘
大豆分枝夾角是決定其冠層結構的主要因素。準確、高效地測量大豆分枝夾角對鑒定和利用耐密植株型大豆品種至關重要。傳統的測量方法主要依靠人工操作，不僅耗時耗力，還存在一定的主觀性，難以準確量化不同材料之間的細微差異。激光雷達技術在作物三維表型研究領域已取得了顯著成果，具有對光照不敏感等優勢。但是，大豆株型結構復雜，當前的三維表型提取方法難以滿足其復雜分枝結構參數提取的要求。本研究圍繞大豆耐密植株型鑒定需求，聚焦分枝夾角表型提取的挑戰，進行了系統的算法開發和應用研究。
2024年5月，Plant Phenomics 在線發表了南京農業大學前沿交叉研究院AiPhenomics課題組題為SCAG: A stratified, clustered, and growing-based algorithm for soybean branch angle extraction and ideal plant architecture evaluation的研究文章。
一、研究貢獻
1. 構建了一個高精度、多品種的大豆植株點云開放數據集Soybean3D
針對適用于田間大豆植株結構參數提取數據集匱乏的問題，本研究基于地基LiDAR采集兩年大豆植株骨架結構三維點云數據，選擇單年的152株不同品種大豆材料樣本構建Soybean3D數據集，并根據樣本點云質量和植株三維結構復雜程度分成了簡單、中等、復雜三個數據組，分別包含50、51和51個大豆品種。該數據集分辨率高、材料之間結構差異明顯，遺傳多樣性豐富，有望推動大豆植株結構參數高通量表型算法的開發。目前該數據集已公開發布于AiPhenomics的GitHub網站 https://github.com/Jinlab-AiPhenomics/SCAG_PlantAngleExtractor，可免費獲取應用于非商業用途。
表1 Soybean3D數據集概況
2. 開發了一個準確、穩健和可遷移的分枝夾角提取方法SCAG
受大豆主莖生長與分枝形成的生物學過程啟發，提出了一種基于點云分層、聚類和生長的大豆分枝夾角檢測和提取算法（SCAG），在分枝檢測和角度計算方面取得了顯著成效。
圖1 SCAG算法流程
通過對比SCAG算法與支持向量機（Support vector machine, SVM）和點密度閾值（Density-based, DB）方法，證明SCAG算法的分枝檢測效果最佳（召回率、精確率和F-score分別為0.81、0.73和0.77），其F-score比另外兩種方法平均提高了42.67%。同時，基于SCAG提取的分枝角度與手動測量值之間的相關系數r=0.84。此外，SCAG算法還能有效應用于玉米（r=0.95）和蕃茄（r=0.94）等作物的分枝角度提取。
表2 SCAG與其他算法比較結果
圖3 SCAG算法在其他作物上有較好的遷移性
3. 發掘了潛在的耐密株型鑒定新指標AHR和ALR
利用SCAG算法對3218株大豆單株點云數據進行分枝夾角等三維表型性狀的精準計算�；跀祿|量控制，篩選出55個品種，用于進一步挖掘耐密植株型的新鑒定指標。通過組合分析，本實驗構建了11個潛在指標，并依據其遺傳力和重復性，最終確定了角高比（AHR）和角長比（ALR）兩個性狀。這兩個新性狀在評估大豆耐密植潛力上展現出一定潛力，為大豆種植和育種提供了新的思路。
圖4 AHR和ALR在遺傳力以及重復性上均優于CHR
4. 開發了一個植株分枝夾角分析軟件
本實驗已經將SCAG算法封裝成軟件，并與源代碼一起上傳到了GitHub賬號（https://github.com/Jinlab-AiPhenomics/SCAG_PlantAngleExtractor）。我們相信開源代碼將有助于算法的不斷迭代升級。此外，我們還開發了一個用戶友好的軟件，也可以下載、安裝和使用，只需將自己的作物點云文件上傳到軟件中并點擊計算夾角按鈕，就可以得到點云分枝夾角數據，具體操作請參考上述 GitHub存儲庫中的說明。該軟件支持單株和多株樣本同時進行分枝夾角提取，以及自定義參數設置。
二、研究總結
分枝檢測和角度計算是精確和選擇理想株型的關鍵，對于推動大豆綠色革命至關重要。本研究提出了一種新穎的SCAG算法，該算法在分枝檢測和角度計算方面均取得了優異的結果，顯著提高了分枝夾角計算的準確性和效率。此外，SCAG算法已驗證適用于玉米和番茄等不同作物，展現了良好的泛化能力。最后，我們提出了分枝角度的耐密植株型鑒定新指標，為大豆耐密植品種選育提供了新的智能決策依據。同時，我們期望通過共享數據集和算法，推動相關研究的發展。
加入作者交流群
掃碼添加小編微信，拉您進入《植物表型組學》作者交流群，群內不定期開展作者分享會、�？l布會等高質量活動。
添加小編微信，備注姓名+單位+PP，加入作者交流群
About Plant Phenomics
《植物表型組學》（Plant Phenomics）是由南京農業大學和美國科學促進會（AAAS）合作創辦的英文學術期刊，于2019年1月正式上線發行。采用開放獲取形式，刊載植物表型組學交叉學科熱點領域具有突破性科研進展的原創性研究論文、綜述、數據集和觀點。具體范圍涵蓋高通量表型分析的最新技術，基于圖像分析和機器學習的表型分析研究，提取表型信息的新算法，作物栽培、植物育種和農業實踐中的表型組學新應用，與植物表型相結合的分子生物學、植物生理學、統計學、作物模型和其他組學研究，表型組學相關的植物生物學等。期刊已被DOAJ、Scopus、PMC、EI和SCIE等數據庫收錄�？祁Ｎò睯CR2022影響因子為6.5，位于農藝學、植物科學、遙感一區。2023年中科院期刊分區位于農林科學大類一區。2020年入選中國科技期刊卓越行動計劃高起點新刊項目。
說明：本文由《植物表型組學》編輯部負責組稿。
中文內容僅供參考，一切內容以英文原版為準。
編輯：王平
審核：孔敏、金時超
