基于图像的水稻穗粒相关性状智能检测算法研究

水稻(Oryza sativa)生产对保障中国粮食安全具有重要意义。水稻穗粒相关性状,例如每穗粒数、种皮颜色、穗粒长度和宽度等,是衡量产量和品质的重要依据之一。针对当前水稻穗粒性状分析仍较多依靠人工计数或各类考种设备,时间和经济成本均较高的情况,本研究通过多学科融合,结合表型分析、图像处理和深度学习等技术,开发了一种无需脱粒、直接通过稻穗图像考察每穗粒数和多种穗粒相关性状的智能表型解析算法。该方法适用于高清照相机、智能手机或扫描仪等成像设备在室内外多种场景下所采集的图像,可从图像中快速提取完整穗粒并量化分析其粒长、粒宽、长宽比、圆形度和颜色等多种穗粒相关性状。对室内定点拍摄的18个水稻品种,算法对每穗粒数分析结果与人工计数比较的决定系数(R^(2))分别为0.95(n=4930粒,P<0.001;基于图像)和0.88(n=4191粒,P<0.001;基于实际稻穗);对室外手机拍摄图像分析,每穗粒数与人工计数的R^(2)分别为0.86(n=2490粒,P<0.001;基于图像)和0.85(n=2645粒,P<0.001;基于实际稻穗)。长宽比分析结果与人工统计的R^(2)分别为0.84(n=1454粒,P<0.001;基于室内图像)和0.71(n=726粒,P<0.001;基于室外图像)。此外,通过聚类分析可将所试18个品种按其穗粒相关性状分为4类,与人工聚类分析结果相似,可高效区分不同水稻品种间的穗粒性状差异。结果表明,本研究构建的算法应用范围广、使用便捷且成本低,性状分析结果具有生物学意义,因此适用于对精确度和泛化性要求较高的穗粒性状快速鉴定及分型工作。研究结果为智能化穗粒性状解析提供新思路和新方法。

多环境下水稻穗粒数相关性状稳定位点的发掘

为发掘控制水稻穗粒数相关性状的稳定位点,以Nipponbare为受体、Kasalath为供体的染色体片段置换系群体的54个株系,在3个不同环境中对水稻的每穗颖花数(SNP)、每穗实粒数(FGP)和结实率(SF)进行非条件QTL定位和矫正生育期的条件QTL定位。2种方法检测到的3个性状的QTL均以加性效应为主,上位性位点对均是在单个环境中检测到且表型解释率小。将生育期矫正到同一水平,检测到3个控制每穗颖花数的稳定位点q SNP6.2、q SNP6.3和q SNP8.4,1个控制每穗实粒数的稳定位点q FGP8.6和1个控制结实率的稳定位点q SF3。上述所有位点的增效等位基因均来自日本晴。其中,q SNP6.2和q SF3在3个环境中均检测到,说明利用这2个位点改良的目标性状无论是遇到高温还是低温均能稳定地增加改良株系的每穗颖花数和结实率,且这一改变不会影响改良株系的生育期(GD);而q SNP6.3、q SNP8.4和q FGP8.6均在E1和E3中检测到,说明利用这3个位点改良的目标性状(每穗颖花数或每穗实粒数)不受高温的影响且不会改变改良株系的生育期。利用上述发掘到的稳定位点改良目标性状不受高温或/和低温胁迫的影响。