• 《中国科学引文数据库(CSCD)》来源期刊
  • 中国科技期刊引证报告(核心版)期刊
  • 《中文核心期刊要目总览》核心期刊
  • RCCSE中国核心学术期刊

水稻谷粒考种参数自动提取装置及试验

邢航, 黄旭楠, 杨秀丽, 王志琪, 齐龙

邢航, 黄旭楠, 杨秀丽, 等. 水稻谷粒考种参数自动提取装置及试验[J]. 华南农业大学学报, 2023, 44(6): 968-977. DOI: 10.7671/j.issn.1001-411X.202208022
引用本文: 邢航, 黄旭楠, 杨秀丽, 等. 水稻谷粒考种参数自动提取装置及试验[J]. 华南农业大学学报, 2023, 44(6): 968-977. DOI: 10.7671/j.issn.1001-411X.202208022
XING Hang, HUANG Xu’nan, YANG Xiuli, et al. Automatic extraction device and experiment of rice seed investigation parameters[J]. Journal of South China Agricultural University, 2023, 44(6): 968-977. DOI: 10.7671/j.issn.1001-411X.202208022
Citation: XING Hang, HUANG Xu’nan, YANG Xiuli, et al. Automatic extraction device and experiment of rice seed investigation parameters[J]. Journal of South China Agricultural University, 2023, 44(6): 968-977. DOI: 10.7671/j.issn.1001-411X.202208022

水稻谷粒考种参数自动提取装置及试验

基金项目: 国家水稻产业技术体系建设专项(CARS-01-47);岭南现代农业科学与技术广东省实验室科研项目(NT2021009);国家自然科学基金(51875217)
详细信息
    作者简介:

    邢 航,讲师,博士,主要从事机器视觉、控制理论相关研究,E-mail:xinghang@scau.edu.cn

    通讯作者:

    齐 龙,研究员,博士,主要从事智慧农业及农业机器人相关研究,E-mail: qilong@scau.edu.cn

  • 中图分类号: TP391.4;S511

Automatic extraction device and experiment of rice seed investigation parameters

  • 摘要:
    目的 

    传统考种方法测量精度和效率难以满足现代水稻育种研究的需求,设计一种水稻谷粒图像与质量信息同步采集装置,实现水稻谷粒考种参数的自动提取。

    方法 

    采用掩膜法自动提取稻谷区域图像,根据稻谷投影面积、数量规律获取稻谷总粒数;根据空粒、实粒颖壳轮廓差异识别空粒;基于角点间距均值标定法,结合轮廓最小外接矩形法获取粒长、粒宽,结合链码法获取粒周长;采用正方形面积均值标定法结合像素累加法获取粒面积。分析摄像头高度、谷粒数量、谷粒种类、规则图形类型对谷粒性状参数提取精度的影响。

    结果 

    摄像头高度对稻谷总数、空粒数、长、宽测量精度有明显影响,稻谷种类对宽度测量精度有明显影响,规则图形类型对周长和面积测量精度有明显影响。采用本文提出方法测量总粒数、空粒数、粒长、粒宽、粒周长、粒面积的决定系数(R2)分别为0.99830、0.98780、0.99610、0.78290、0.99510和0.99998,测量的平均精度分别为99.47%、87.17%、96.55%、96.36%、98.00%和95.86%,测量效率为16.52粒/s。

    结论 

    本文所采用的稻谷谷粒考种参数自动提取方法可行,可为全自动考种机的研发提供技术参考。

    Abstract:
    Objective 

    The measurement accuracy and efficiency of traditional seed investigation methods could not meet the needs of modern rice breeding research. A synchronous collection device of rice grain image and quality information was designed to automatically extract rice seed investigation parameters.

    Method 

    The image of grain region was automatically extracted by mask method, and the total number of rice grains was obtained according to the law between rice projection area and rice quantity. Empty grains were identified according to the difference of the hull contour between empty grains and full grains. Based on the mean value calibration method of corner spacing, the grain length and width were obtained by combining the minimum circumscribed rectangle method of contour, and the grain perimeter was obtained by combining the chain code method. The square area mean calibration method and pixel accumulation method were used to obtain the grain area. The effects of camera height, grain quantity, grain type and regular graph type on the extraction accuracy of grain character parameters were analyzed.

    Result 

    The camera height had a obvious impact on the measurement accuracies of total number, empty number, length and width of rice grains, the grain type had a obvious impact on the measurement accuracy of width, and the regular graph type had a obvious impact on the measurement accuracies of grain area and perimeter. The determination coefficients (R2) of total grain number, empty grain number, grain length, grain width, grain perimeter and grain area measured by the proposed method were 0.99830, 0.98780, 0.99610, 0.78290, 0.99510 and 0.99998 respectively, the average measurement accuracies were 99.47%, 87.17%, 96.55%, 96.36%, 98.00% and 95.86% respectively, and the measurement efficiency was 16.52 grains per second.

    Conclusion 

    The automatic extraction method of rice seed investigation parameters used in this paper is feasible, and can provide technical references for the development of automatic seed investigation machine.

  • 水稻Oryza sativa L.是世界上超过一半人口的主要粮食作物,深入挖掘重要的功能基因对水稻主要农艺性状的遗传改良具有重要意义。高密度遗传图谱的构建为基因的精准定位和克隆创造了必要条件。

    本研究使用的重组自交系(Recombinant inbred lines,RILs)群体是由籼稻‘MDS’和籼稻‘R315’构建的高代重组自交系,具有稳定的表型性状,是一个良好的永久性遗传群体。自1988年McCouch等[1]利用籼稻‘IR34583’与爪哇稻‘Bulu Dalam’衍生的F2群体构建了第1张含135个限制性内切酶片段长度多态性(Restriction fragment length polymorphism,RFLP)标记的水稻分子连锁图谱以来,水稻的遗传图谱相继诞生。传统的图谱构建通常利用RFLP、简单重复序列(Simple sequence repeat,SSR)标记和随机扩增多态性DNA(Random amplified polymorphic DNA,RAPD)标记。结合多种分子标记技术进行遗传图谱构建可进一步增加标记的密度。徐建龙等[2]利用272个均匀分布的标记(141个RFLP标记、99个SSR标记、29个RAPD标记和3个形态标记)构建了连锁图用于QTL分析,该连锁图总共覆盖基因组2 777.7 cM,相邻标记间平均距离为10.2 cM。早期的分子标记,作图距离通常较大,后期精细定位工作需要大量分离的F2代个体。随着DNA测序技术的快速发展,基于高通量测序的新型分子标记越来越多地应用于高密度遗传图谱的构建[3-4]。Chen等[5]利用148个子代组成的RIL群体构建了1 680.9 cM的遗传图谱,平均遗传距离为1.16 cM,共定位到23个耐盐相关QTLs,其中,位于第1、4、12号染色体上的3个QTLs表现出累加效应。单核苷酸多态性(Single nucleotide polymorphism,SNP)标记作为第3代新型分子标记技术,具有数量多、遗传稳定性高以及易于自动化分析等优点[6],已成为近年来水稻高密度遗传图谱构建的优先选择。

    本研究利用全基因组测序(Whole genome sequencing,WGS)技术对籼稻‘MDS’和籼稻‘R315’构建的1个RIL群体进行全基因组测序,先鉴定出两亲本间的SNP,再利用SNP构建bin标记,最后构建1张高密度遗传图谱,以期为进一步深入挖掘和研究重要农艺性状基因奠定有利基础。

    本研究使用的材料为国家植物航天育种工程技术研究中心前期收集的籼稻地方品种‘MDS’和‘R315’。父本‘MDS’是大穗、抗倒、高产型的地方籼稻品种,具有高光效、高养分利用率等特点。母本‘R315’是在‘象牙香占’基础上改良的籼稻恢复系,具有抗病、优质、配合力好等特点,父母本杂交,F2代通过单粒传法繁殖获得高世代RILs。

    2019年晚季在华南农业大学校内教学科研试验基地的试验田中种植水稻亲本和RILs群体(含192个株系),每个材料按6行×6株的规模种成小区,株行距均为20 cm,单苗插植,常规栽培管理。F5代单株收种。亲本及其RILs(F6代)群体取20粒饱满种子萌发,取各个株系的幼嫩叶片(每个株系随机取5株混样),按CTAB法[7]提取DNA后送至北京诺禾致源生物信息科技有限公司进行测序分析。

    检测合格的DNA样品通过酶切、加测序接头、纯化、PCR扩增等步骤完成整个文库制备。构建好的文库通过Illumina(测序仪)进行测序。

    检测合格的DNA文库进行HiSeq测序,产出Raw reads,结果以fastq文件格式存储。经过过滤,得到高质量的Clean reads。对192个子代及亲本测序数据进行统计,包括测序reads数量、数据产量、测序错误率、Q20、Q30、GC含量等。另外,将Clean data与NCBI的核苷酸数据库进行比对,以评估是否有其他来源的DNA污染。将2个亲本及192个子代测序数据与参考基因组( http://www.mbkbase.org/R498/)进行比对,反映测序数据与参考基因组的相似性,覆盖深度和覆盖度能够反映测序数据的均一性及与参考序列的相似性。

    SNP主要是指在基因组水平上由单个核苷酸的变异所引起的DNA序列多态性,包含单个碱基的转换、颠换等。基于Burrows-Wheeler aligner (BWA)比对结果,利用群体检测SNP的方式对亲本和192个子代进行SNP检测。对BWA比对结果进行过滤:将比对到水稻参考基因组上唯一位置的reads挑选出来,采用GATK(The genome analysis toolkit)[8]对过滤后的bam文件进行群体SNP的检测。为减少测序错误造成的假阳性SNP,要求亲本SNP碱基支持数不少于5,子代SNP碱基支持数不少于3,统计杂合SNP数、纯合SNP数和杂合SNP比例(杂合SNP数/总SNP数)。

    基于亲本基因型检测结果,进行亲本间多态性标记开发,并选择RIL群体的可用标记类型(“aa×bb”型),即2个亲本的某个SNP基因型都为纯合且不相同。完成标记开发后,提取192个子代在亲本多态性标记位点的基因型,对分型后的标记进行筛选。首先进行异常碱基检查,子代分型结果中,可能会出现少数亲本中没有出现的碱基型,则认为该碱基是异常碱基,碱基缺失用“—”表示;基于上述结果继续进行异常基因型检查,本研究群体类型为RILs,在子代分离群体中,主要以纯合为主,杂合类型占比很低,杂合标记也视为异常基因型,转化为缺失。

    利用最终获得的高质量SNP标记,对每个个体使用15个SNP滑动窗口、步移长度为1的策略检测RILs间的重组断点,得到群体重组断点分布图。针对每个连锁群使用JoinMap4.0对每个连锁群的bin标记进行排序(连锁群使用回归算法排序,采用Kosambi函数计算遗传距离)。根据获得的bin标记的遗传距离,使用perl SVG模块绘制连锁图,并依据文献[9]对标记在基因组上的位置和遗传图谱进行共线性分析。

    通过对两亲本的农艺性状数据进行差异显著性分析,发现两亲本在每穗颖花数、粒长、每穗实粒数、叶宽、株高和二级枝梗数上具有极显著差异(P<0.01)(图1),每穗颖花数、粒长、每穗实粒数、叶宽、株高、二级枝梗数是后续研究重点关注性状。

    图  1  亲本农艺性状分析
    “**”表示亲本间差异极显著(P<0.01,t检验)
    Figure  1.  Agronomic character analysis between parents
    “**” indicates highly significant difference between parents (P < 0.01, t test)

    通过对两亲本和RILs群体192个子代检测合格的DNA文库进行HiSeq测序,总共获得549 496 399 500 bp测序量。亲本‘MDS’得到4 140 981 000 bp Raw reads,过滤后得到Clean reads 4 134 873 600 bp,平均测序深度为9.33×;亲本‘R315’ 共得到4 395 794 100 bp Raw reads,过滤后得到4 390 405 500 bp Clean reads,平均测序深度9.66×。RILs群体192个子代中平均每个个体的Raw reads 约2 817 557 919 bp,平均测序深度6.33×。亲本总体测序质量高,Q20≥95%,Q30≥89%,GC分布正常,‘MDS’和‘R315’中GC含量分别为43.73%和44.12%。

    将2个亲本及192个子代的测序数据与参考基因组比对。参考基因组大小为390 983 850 bp,192个子代样本比对率均在91%以上,1×覆盖度(至少有1个碱基的覆盖)平均为92.45%,对参考基因组捕获区域的平均覆盖深度为6.30×;比对结果可用于后续的变异检测及相关分析。

    基于2个亲本的基因型分析结果,开发的标记类型及数量如图2所示,父母亲本间共鉴定出具有多态性的位点470 833个,可用标记类型为“aa×bb”型,共计221 494个。

    图  2  开发的单核苷酸多态性标记的类型及数量
    “a”、“b”代表不同的碱基类型
    Figure  2.  Type and quantity of developed single nucleotide polymorphism markers
    “a” and “b” represent different base types

    对分型后的遗传标记进行筛选,未发现异常碱基,说明基因分型准确性较好。基于筛选的结果对子代分型结果进行异常基因型检查,未发现杂合类型,说明RILs子代群体中,杂合类型占比较低。最终获得221 494个有效标记用于连锁性分析。

    基于获得的221 494个SNP标记,对每个个体使用15个SNP滑动窗口、步移长度为1的策略[9]检测RILs间的重组断点,得到群体重组断点图(图3)。利用图2的标记信息,可追踪到192个子代中每个子代的每条染色体的重组事件发生的位置。

    图  3  群体重组断点图
    Chr 1~12:染色体编号;红色表示与亲本‘R315’一致的区域,蓝色表示与亲本‘MDS’一致的区域
    Figure  3.  Group recombination breakpoint diagram
    Chr 1−12: Chromosome number; Red area is consistent with parent ‘R315’, blue area is consistent with parent ‘MDS’

    使用JoinMap4.0对每个连锁群的bin标记进行排序(连锁群使用回归算法排序,使用Kosambi函数计算遗传距离),最终获得bin标记1 612个,均匀分布在各染色体上(图4)。用perl SVG模块绘制连锁图,总图距1 327.82 cM,覆盖了12个连锁群(分布在水稻的12条染色体上),标记间的平均图距为0.82 cM。各个连锁群bin标记数量、总图距、平均图距等基本信息如表1所示。其中第1号染色体(Chr 1)连锁群图距最长,为170.19 cM,包含bin标记最多,为194个,标记间平均图距是0.88 cM;第11号染色体(Chr 11)连锁群图距最短,为60.18 cM,包含bin标记最少,为68个,标记间的平均图距是0.89 cM;连锁群中最大间隔(Maximum gap)长度小于5 cM的比例高达98.2%。

    表  1  遗传连锁群信息
    Table  1.  Characteristics of genetic linkage group
    染色体编号
    Chromosome number
    标记数量
    Marker number
    总图距/cM
    Total map distance
    平均图距/cM
    Average map distance
    最大间隔/cM
    Maximum gap
    1 194 170.19 0.88 9.73
    2 137 100.75 0.74 5.39
    3 164 139.83 0.85 18.29
    4 174 125.12 0.72 18.53
    5 144 114.72 0.80 14.73
    6 125 114.46 0.92 7.75
    7 151 128.06 0.85 11.96
    8 132 113.11 0.86 19.60
    9 116 94.48 0.81 7.68
    10 95 68.13 0.72 5.23
    11 68 60.18 0.89 5.24
    12 112 98.79 0.88 6.07
    合计 Total 1 612 1 327.82 0.82 19.60
    下载: 导出CSV 
    | 显示表格
    图  4  连锁群标记分布图
    Chr 1~12:染色体编号;图上横线表示标记位置
    Figure  4.  Distribution map of linkage group marker
    Chr 1−12: Chromosome number; The horizontal line on the map indicates marker location

    共线性分析结果(图5)显示,各个连锁群上大部分标记与在基因组上保持一致,共线性较好,图谱质量高。

    图  5  遗传图谱和物理图谱的共线性分析
    左侧刻度为相对遗传距离;Chr 1~12:染色体编号;Lg 1~12:连锁群编号;红色为连锁群,蓝色为参考基因组R498染色体
    Figure  5.  Collinearity analysis between genetic map and physical map
    The left scale is relative genetic distance; Chr 1−12: Chromosome number; Lg 1−12: Linkage group number; Red area is linkage group and blue area is chromosome of reference genome R498

    高通量测序技术的迅速发展加速了水稻重要基因的挖掘和应用,在育种上也可以应用相关分子标记提高材料选育的准确性,加快品种选育。运用高通量测序获得高质量SNPs并构建遗传图谱进行QTL鉴定是目前的研究热点。

    亲本的选择是获得高质量图谱的第一步,对后续的QTL定位也至关重要。亲本间的DNA具有多态性是选材的首要条件,在某一表型或者多个表型具有极端差异的2个材料是理想的选择。在研究产量[10-12]、粒形[13-14]等性状时,亲本的目的性状要存在极端差异。前期观察分析发现籼稻‘MDS’和‘R315’在多个农艺性状上均存在明显差异,包括株高、叶色、叶长、叶宽、粒形、穗粒数等。进一步的分析发现双亲在每穗粒数、叶宽、每穗实粒数、粒长、二次枝梗数、株高等性状上均存在极显著差异,预示着双亲中可能存在多个控制水稻产量的基因或者QTLs。接下来我们将对群体的多个表型数据进行分析,结合构建的高密度遗传图谱开展深入的研究。

    基于重测序获得高质量的SNPs,再划分bin标记能大幅度提高作图的精度与效率,Huang等[9]对150个子代的RIL群体在F8代使用287个分子标记进行基因分型,构建的遗传图谱标记间平均遗传距离为5 cM,平均物理距离为1.4 Mb,需要3个人通过1年的工作完成;而在F11代使用重测序,每40 kb就获得1个SNP,将重组断点的分辨率提高了35倍,仅花费2周时间,将每15个SNPs划分为1个bin标记,标记间平均遗传距离为2.3 cM,平均物理距离为600 kb。本研究在前人基础上构建的图谱标记间平均遗传距离为0.82 cM,平均物理距离为242 kb,平均每16 kb就能产生1个SNP,进一步提高了重组断点的分辨率。

    标记的数量也是遗传图谱的一个重要指标,籼粳杂交能获得丰富的多态性位点[1],但会定位到大量的QTLs,使得后续的研究难以进行。所以进一步精细定位高级的作图群体,主要指近等基因系类群体,其通过连续重复回交获得,特征是群体中个体间遗传背景相似,仅带有少数供体片断,从而消除背景的干扰和主效基因对微效QTLs的掩盖作用,如导入系(Introgression lines,ILs)和替换系(Substitution lines,SLs)[15-16],其目的为在保证遗传背景更加相似的情况下得到准确的结果。本研究选择了在表型上具有较大差异的2个籼稻品种作为亲本,以期在去除相同的遗传背景后得到一定的多态性遗传标记,准确关联到差异表型的QTLs。

    QTL及基因鉴定的终极目的是应用于育种。针对水稻的重要性状,当前已经定位和克隆了一些重要基因,但大部分的QTLs或基因都只停留在试验阶段,没能与育种实践结合起来。其中主要的1个原因就是部分QTLs受遗传背景影响很大,很难在不同群体中检测到相同的QTL位点,这很可能是因为QTL的上位性占据了主导地位[17]。主效QTL或基因的定位,通常会选择遗传背景有较大差异的亲本构建群体,例如常用的籼粳杂交群体,对于群体中发现的有价值的QTL想用于选育出好的品种进行推广,还需要进行多次回交、自交,严重影响育种进程。与此同时,得到的结果会因为材料或者鉴定的环境改变而无法在育种中展开,最终导致定位到的QTL或基因与育种实践相脱节[18-19]。本研究选择的2个籼稻品种,在遗传背景相对相似的情况下,获得的QTL或基因能更加稳定地表达,而且选择双亲时要注重在性状上互补,在高世代的RILs群体中才可以直接筛选到能稳定遗传的目标株系用于水稻品种选育,从而达到使QTL鉴定与育种同步进行、互相验证的目的。

  • 图  1   水稻考种信息采集装置

    1:安装支架;2:图像采集设备;3:光源;4:透明标定膜;5:质量计量装置;6:计算机

    Figure  1.   Acquisition device of rice seed investigation information

    1: Mounting bracket; 2: Image acquisition equipment; 3: Light source; 4: Transparent calibration film; 5: Mass metering device; 6: Computer

    图  2   水稻谷粒图像处理过程

    Figure  2.   Rice grain image processing

    图  3   谷粒区域提取及总粒数和空粒数计数流程图

    Figure  3.   Flowchart of regional extraction of grains and counting of total and empty grains

    图  4   空粒计数图形

    Figure  4.   Graph for empty grain counting

    图  5   参照物处理过程

    Figure  5.   Reference treatment process

    图  6   各因素各水平对稻谷总计数精度的影响

    Figure  6.   Effects of various factors and levels on counting accuracy of total grains

    图  7   稻谷总数计数值与实际值的关系

    Figure  7.   Relationship between count value and actual value of total grains

    图  8   各因素各水平对稻谷空粒计数精度的影响

    Figure  8.   Effects of various factors and levels on counting accuracy of empty grains

    图  9   稻谷空粒计数值与实际值的关系

    Figure  9.   Relationship between count value and actual value of empty grains

    图  10   各因素各水平对稻谷长度、宽度测量精度的影响

    Figure  10.   Effects of various factors and levels on the measurement accuracy of grain length and width

    图  11   稻谷长度、宽度测量值与实际值的关系

    Figure  11.   Relationship between measured value and actual value of grain length and width

    图  12   各因素各水平对规则图形周长、面积测量精度的影响

    Figure  12.   Effects of various factors and levels on the perimeter and area measurement accuracy of regular patterns

    图  13   规则图形周长、面积测量值与实际值的关系

    Figure  13.   Relationship between measured value and actual value of perimeter and area of regular patterns

    表  1   测量效率测试试验结果

    Table  1   Results of measurement efficiency test

    测试组号
    Group
    number
    稻谷粒数
    Rice grain
    quantity
    每组所需时间/s
    Time required
    for each group
    每秒测量谷粒数
    Measured grain
    quantity per second
    11529.1216.67
    21439.2015.54
    31749.6118.11
    41689.4617.76
    51419.1915.34
    61279.0014.11
    71819.6518.76
    81308.9714.49
    91589.1117.34
    101629.4717.11
    下载: 导出CSV
  • [1] 邓若玲, 潘威杰, 王志琪, 等. 农作物表型技术及其智能装备研究进展与展望[J]. 现代农业装备, 2021, 42(1): 2-9.
    [2]

    FURBANK R T, TESTER M. Phenomics-technologies to relieve the phenotyping bottleneck[J]. Trends in Plant Science, 2011, 16(12): 635-644. doi: 10.1016/j.tplants.2011.09.005

    [3]

    AFONNIKOV D A, GENAEV M A, DOROSHKOV A V, et al. Methods of high-throughput plant phenotyping for large-scale breeding and genetic experiments[J]. Russian Journal of Genetics, 2016, 52(7): 688-701. doi: 10.1134/S1022795416070024

    [4] 周洪垒. 基于图像处理的水稻考种系统的设计与实现[D]. 成都: 电子科技大学, 2019.
    [5]

    FIORANI F, SCHURR U. Future scenarios for plant phenotyping[J]. Annual Review of Plant Biology, 2013, 64: 267-291. doi: 10.1146/annurev-arplant-050312-120137

    [6]

    DENG R L, TAO M, HUANG X N, et al. Automated counting grains on the rice panicle based on deep learning method[J]. Sensors, 2021, 21(1): 281. doi: doi.org/10.3390/s21010281.

    [7]

    VIRLET N, SABERMANESH K, SADEGHI-TEHRAN P, et al. Field scanalyzer: An automated robotic field phenotyping platform for detailed crop monitoring[J]. Functional Plant Biology, 2016, 44(1): 143-153.

    [8]

    GUO Q H, WU F F, PANG S X, et al. Crop 3D: A LiDAR based platform for 3D high-throughput crop phenotyping[J]. Science China-Life Sciences, 2018, 61(3): 328-339. doi: 10.1007/s11427-017-9056-0

    [9] 宋鹏, 张晗, 王成, 等. 玉米籽粒考种信息获取装置设计与试验[J]. 农业机械学报, 2017, 48(12): 19-25. doi: 10.6041/j.issn.1000-1298.2017.12.002
    [10] 胡正方, 向阳, 熊瑛, 等. 基于机器视觉的千粒质量测量仪的设计与试验[J]. 湖南农业大学学报(自然科学版), 2021, 47(4): 476-481. doi: 10.13331/j.cnki.jhau.2021.04.017
    [11] 崔亮. 基于机器视觉的农作物种子计数检测系统[D]. 太原: 中北大学, 2016.
    [12] 杨万能. 水稻产量相关性状参数自动提取的数字化技术研究[D]. 武汉: 华中科技大学, 2011.
    [13] 宋初苏, 蓝景针, 夏世峰, 等. ZPXG-18型转盘斜刮式自动光电数粒仪和千粒重仪的设计[J]. 浙江农业学报, 2011, 23(5): 1023-1028. doi: 10.3969/j.issn.1004-1524.2011.05.030
    [14]

    ARVIDSSON S, PÉREZ-RODRÍGUEZ P, MUELLER-ROEBER B. A growth phenotyping pipeline for Arabidopsis thaliana integrating image analysis and rosette area modeling for robust quantification of genotype effects[J]. The New Phytologist, 2011, 191(3): 895-907. doi: 10.1111/j.1469-8137.2011.03756.x

    [15]

    YANG W N, GUO Z L, HUANG C L, et al. Combining high-throughput phenotyping and genome-wide association studies to reveal natural genetic variation in rice[J]. Nature Communications, 2014, 5(1): 1-9. doi: 10.1038/ncomms6087

    [16] 段凌凤, 杨万能. 水稻表型组学研究概况和展望[J]. 生命科学, 2016, 28(10): 1129-1137. doi: 10.13376/j.cbls/2016151
    [17]

    HAIN R, KÄHLER C J, TROPEA C. Comparison of CCD, CMOS and intensified cameras[J]. Experiments in Fluids, 2007, 42(3): 403-411. doi: 10.1007/s00348-006-0247-1

    [18] 袁洪波, 赵努东, 程曼. 基于图像处理的田间杂草识别研究进展与展望[J]. 农业机械学报, 2020, 51(S2): 323-334. doi: 10.6041/j.issn.1000-1298.2020.S2.038
    [19] 夏庆凯, 于大泳. 基于图像处理的工业生产手机屏幕裂纹检测[J]. 农业装备与车辆工程, 2021, 59(1): 112-115. doi: 10.3969/j.issn.1673-3142.2021.01.024
    [20] 项荣, 应义斌, 蒋焕煜. 田间环境下果蔬采摘快速识别与定位方法研究进展[J]. 农业机械学报, 2013, 44(11): 208-223. doi: 10.6041/j.issn.1000-1298.2013.11.037
    [21] 孔明, 徐志玲, 徐勇, 等. 实际边缘轮廓下的螺栓综合尺寸质量检测[J]. 计量学报, 2021, 42(6): 724-730. doi: 10.3969/j.issn.1000-1158.2021.06.06
    [22] 贾建楠, 吉海彦. 基于病斑形状和神经网络的黄瓜病害识别[J]. 农业工程学报, 2013, 29(S1): 115-121.
    [23] 李擎, 唐欢, 迟健男, 等. 基于改进最大类间方差法的手势分割方法研究[J]. 自动化学报, 2017, 43(4): 528-537. doi: 10.16383/j.aas.2017.c150862
    [24] 伍艳莲, 赵力, 姜海燕, 等. 基于改进均值漂移算法的绿色作物图像分割方法[J]. 农业工程学报, 2014, 30(24): 161-167. doi: 10.3969/j.issn.1002-6819.2014.24.019
    [25] 胡炼, 刘海龙, 何杰, 等. 智能除草机器人研究现状与展望[J]. 华南农业大学学报, 2023, 44(1): 34-42. doi: 10.7671/j.issn.1001-411X.202203060
    [26] 贺锋, 钟宏民, 胡友旺. 基于图像处理的焊缝跟踪检测方法研究[J]. 应用激光, 2020, 40(5): 847-854. doi: 10.14128/j.cnki.al.20204005.847
    [27] 胡园园. 施肥与灌溉对水稻颖壳不闭合影响研究[D]. 合肥: 安徽农业大学, 2011.
    [28] 赵凯旋, 刘晓航, 姬江涛. 基于EfficientNet与点云凸包特征的奶牛体况自动评分[J]. 农业机械学报, 2021, 52(5): 192-201. doi: 10.6041/j.issn.1000-1298.2021.05.021
    [29] 赵强, 黄远, 赵春海. 基于凸包的电池片边缘缺陷检测算法[J]. 计算机测量与控制, 2020, 28(6): 129-134. doi: 10.16526/j.cnki.11-4762/tp.2020.06.027
    [30] 李鹏阳, 杨文辉, 曹利平, 等. 圆盘类零件几何量机器视觉测量技术研究[J]. 西安工业大学学报, 2020, 40(6): 598-604. doi: 10.16185/j.jxatu.edu.cn.2020.06.002
    [31] 张文霞, 王春光, 王海超, 等. 无芒隐子草叶片卷曲度和厚度测量方法[J]. 农业机械学报, 2021, 52(5): 184-191. doi: 10.6041/j.issn.1000-1298.2021.05.020
    [32] 古亭. 基于机器视觉的蚕茧计数与识别研究[D]. 杭州: 中国计量大学, 2020.
    [33] 汪晓艳, 丁义明. 一种去除图像中Cauchy噪声的滤波算法[J]. 数学物理学报, 2018, 38(4): 823-832. doi: 10.3969/j.issn.1003-3998.2018.04.018
  • 期刊类型引用(5)

    1. 刘进,周慧颖,马小定,孟冰欣,崔迪,胡佳晓,涂夯,余丽琴,韩龙植,黎毛毛. 基于高密度遗传图谱定位水稻抽穗期耐热性QTL. 植物遗传资源学报. 2025(05): 962-973 . 百度学术
    2. 赵凌,张勇,魏晓东,梁文化,赵春芳,周丽慧,姚姝,王才林,张亚东. 利用高密度Bin图谱定位水稻抽穗期剑叶叶绿素含量QTL. 中国农业科学. 2022(05): 825-836 . 百度学术
    3. 宋博文,王朝欢,赵哲,陈淳,黄明,陈伟雄,梁克勤,肖武名. 基于高密度遗传图谱对水稻粒形QTL定位及分析. 作物学报. 2022(11): 2813-2829 . 百度学术
    4. 潘俊峰,崔克辉,刘彦卓,王昕钰,严博宇,梁开明. 利用高密度Bin图谱定位水稻叶绿素含量QTL. 广东农业科学. 2022(09): 132-140 . 百度学术
    5. 刘进,胡佳晓,马小定,陈武,勒思,Jo Sumin,崔迪,周慧颖,张立娜,Shin Dongjin,黎毛毛,韩龙植,余丽琴. 水稻RIL群体高密度遗传图谱的构建及苗期耐热性QTL定位. 中国农业科学. 2022(22): 4327-4341 . 百度学术

    其他类型引用(11)

图(13)  /  表(1)
计量
  • 文章访问数:  1
  • HTML全文浏览量:  0
  • PDF下载量:  0
  • 被引次数: 16
出版历程
  • 收稿日期:  2022-08-15
  • 网络出版日期:  2023-11-12
  • 发布日期:  2023-01-04
  • 刊出日期:  2023-11-09

目录

/

返回文章
返回