稻田生态与资源利用创新团队研发高通量计数算法驱动精准表型解析
近日，水稻所稻田生态与资源利用团队在Plant Phenomics上在线发表了题为“LKNet: Enhancing Rice Canopy Panicle Counting Accuracy with An Optimized Point-Based Framework”的研究论文，该研究构建了新型神经网络架构以实现田间高通量水稻穗计数，为高通量表型平台的构建和大规模育种筛选场景提供了重要技术基础。
单位面积穗数作为水稻产量构成的核心农艺性状指标，其精准量化对作物表型分析和产量预测具有重要意义。然而，当前基于目标检测的穗数识别方法受限于地物分辨率不足和冠层遮蔽效应，难以实现大田复杂场景下的高通量精准计数。针对这一技术瓶颈，研究团队基于P2Pnet框架，创新性地构建了LKNet深度学习网络。该网络通过优化定位损失函数和重构特征提取网络，显著增强了模型对水稻穗形态特征的感知能力，有效提升了水稻不同穗型的定位精度。实验结果表明，在包含3种典型穗型（直立型、中间型、散穗型）及3个关键生育期（抽穗期、灌浆期、成熟期）的水稻冠层穗数据集上，LKNet展现出卓越的计数性能，其决定系数（R²）均大于0.9，均方根误差（RMSE）稳定在1.3以下，显著优于现有方法。
地物分辨率作为影响模型计数准确性的关键指标，不仅直接决定了目标识别的精细程度，同时也在系统层面制约着无人机图像采集效率与处理性能。研究团队通过设计系统化的模拟实验，深入探究了分辨率与计数精度的量化关系。实验结果表明，LKNet模型在0.15cm/pixel的分辨率条件下仍展现出优异的鲁棒性，其决定系数（R²）维持在0.82以上，均方根误差（RMSE）控制在4.8以内。这一性能突破为无人机航拍参数优化提供了重要理论依据，同时也验证了模型在低分辨率场景下的实用价值。
该研究得到十四五国家重点研发计划“南方水稻品质提升与丰产增效技术研发与集成示范”等项目的资助。水稻所博士研究生洪卫源、联合培养硕士研究生李子秋为该论文的共同第一作者。陈松研究员为该论文的通讯作者。
原文链接：
https://doi.org/10.1016/j.plaphe.2025.100003