旗叶夹角是小麦株型的重要构成因素之一，是决定小麦群体大小，群体光能拦截效率和通风透光性能的关键农艺性状。旗叶夹角受遗传背景与环境因素共同调控。旗叶夹角长期依赖人工测量，效率低、精度差、主观性强，难以满足大规模精准育种和栽培管理的需求。近年来，随着高通量表型技术的发展，已有基于图像处理和三维重建的叶夹角的测量方法报道，但这些方法多受限于设备昂贵、操作复杂或鲁棒性不足等问题，在小麦中难以广泛推广。如何实现小麦旗叶夹角的低成本、高精度测量，仍是当前亟需解决的技术瓶颈。近日，中国科学院遗传与发育生物学研究所蒋霓研究员课题组在The Crop Journal在线发表题为 “LeafPoseNet: a low-cost, high-accuracy method for estimating flag leaf angle in wheat”的研究论文。该研究提出了一种轻量级深度学习模型LeafPoseNet，实现了小麦旗叶夹角的低成本、高精度测量。基于 LeafPoseNet 所提取的高质量表型数据，为旗叶夹角性状的遗传解析提供了可靠的表型基础，为理想株型的精准表型获取与分子育种设计提供了重要的技术路径与应用范式。
该研究提出了一种成本低廉、实用性强的小麦田间旗叶夹角图像采集方法（图1），并开发了轻量化的关键点检测模型 LeafPoseNet。LeafPoseNet能自动识别旗叶中心点（Point of flag leaf center，Point L）、旗叶与茎的交点（junction between the flag leaf and stem，Point J）以及茎的中心点（point of stem center，Point S）三个关键位置，从而实现旗叶夹角的自动计算。与目前主流的关键点检测模型相比，LeafPoseNet 表现出更高的预测精度，其平均绝对误差（mean absolute error, MAE）仅为1.75°，均方根误差（root mean square error, RMSE）为2.17°，决定系数（coefficient of determination, R²）高达0.998。LeafPoseNet能精准、稳定地识别各种类型的叶夹角的关键点位置（图2），体现出良好的鲁棒性。更重要的是，LeafPoseNet采用轻量化设计，算力需求低，普通手机就能轻松运行，特别适合在田间大规模、快速测量使用。
将LeafPoseNet 应用于221份小麦自然群体，测定了其旗叶夹角，并采用混合线性模型（mixed linear model, MLM）进行全基因组关联分析（genome-wide association study, GWAS），共鉴定出 10 个与旗叶夹角相关的数量性状位点（quantitative trait loci, QTL），为深入解析小麦夹角的遗传机制提供了重要线索（图3）。此外，LeafPoseNet同样适用于水稻剑叶夹角的测量（图4）。
图2 不同模型的小麦旗叶夹角预测结果
图像中三个圆点分别表示LeafPoseNet预测的关键点位置：黑色为Point L（旗叶中心，蓝色为Point J（茎与旗叶的交点），白色为Point S（茎的中心）。
图3 小麦旗叶夹角的GWAS结果
图4 基于LeafPoseNet的稻剑叶夹角预测结果
图像中三个圆点分别表示LeafPoseNet预测的关键点位置：黑色为Point L（剑叶中心），蓝色为Point J（茎与剑叶的交点），白色为Point S（茎的中心）。
作者和基金项目
中国科学院遗传与发育生物学研究所蒋霓课题组博士研究生王琦、孙孚俊为该文共同第一作者，蒋霓研究员为通信作者。该研究得到科技创新2030—“智能设计育种技术创新与应用”重大项目（2023ZD04076）、国家重点研发计划项目（2023YFF1000100）和中国科学院A类战略性先导科技专项(XDA0450000)的资助。
转载本文请联系原作者获取授权，同时请注明本文来自科爱KeAi科学网博客。
链接地址：https://wap.sciencenet.cn/blog-3496796-1496725.html?mobile=1
收藏
