韓 東，楊貴軍，楊 浩，邱春霞，陳明杰，溫維亮，牛慶林,3，楊文攀,3

（1. 農(nóng)業(yè)部農(nóng)業(yè)遙感機(jī)理與定量遙感重點(diǎn)實(shí)驗(yàn)室，北京農(nóng)業(yè)信息技術(shù)研究中心，北京 100097；

2. 西安科技大學(xué)測(cè)繪科學(xué)與技術(shù)學(xué)院，西安 710054；3. 河南理工大學(xué)測(cè)繪與國(guó)土信息工程學(xué)院，焦作 454000）

0 引 言

玉米雄穗是產(chǎn)生花粉的植物頂上的分支結(jié)構(gòu)。其雄性小花發(fā)育成熟后，花粉隨風(fēng)吹落到玉米雌穗的玉米須上完成授粉[1-2]。雄穗的大小和形態(tài)會(huì)影響花粉的產(chǎn)量，進(jìn)而影響自交系的維持，雜交后代和后續(xù)的農(nóng)業(yè)產(chǎn)量。在育種實(shí)踐中注意選育具有適度較小雄穗的雜交種是玉米育種的一個(gè)趨勢(shì)。從玉米雜交制種以來(lái)，對(duì)雄穗與產(chǎn)量的關(guān)系進(jìn)行了許多研究。其中雄穗分支數(shù)與產(chǎn)量呈極顯著負(fù)相關(guān)性，與單位面積產(chǎn)量間呈顯著負(fù)相關(guān)性[3-6]。相關(guān)研究表明，較大體積的雄穗減少了玉米上部葉片的光攔截，不利于作物的光合作用，降低玉米的產(chǎn)量。隨著種植密度的增加，這種影響將更加明顯[7-8]。在實(shí)際授粉過(guò)程中，雄穗分枝聚集程度過(guò)高的個(gè)體，其花粉不容易隨風(fēng)傳播，影響授粉進(jìn)程；分枝聚集程度過(guò)低的個(gè)體，由于其花粉隨風(fēng)散失較快，也不利于雌穗授粉。因此，合適形態(tài)的雄穗個(gè)體將有助于玉米授粉，進(jìn)而增加產(chǎn)量。此外，許多學(xué)者針對(duì)玉米雄穗主要性狀與分子生物學(xué)之間的關(guān)系，對(duì)玉米雄穗的主軸長(zhǎng)和分支數(shù)進(jìn)行了 QTL（quantitative trait loci）定位，檢測(cè)到若干該性狀的QTL位點(diǎn)[9-12]。在田間育種工作中，高通量的表型和基因型數(shù)據(jù)結(jié)合使得基于表型-基因手段的育種方法能更加充分地服務(wù)于作物育種研究[13-14]。但是，目前常規(guī)育種手段對(duì)植物表型信息的精確提取主要是依靠人工取樣測(cè)量，該過(guò)程不僅費(fèi)時(shí)費(fèi)力而且精度無(wú)法保證。此外，一些田間復(fù)雜表型信息很難通過(guò)人工方式獲取。高通量表型自動(dòng)獲取技術(shù)的迅速發(fā)展為植物表型信息的提取提供了一種新思路。目前有基于光譜、圖像、雷達(dá)等技術(shù)手段被用來(lái)高通量地獲取作物表性信息。其中，基于圖像的方法具有低成本、便捷性高的優(yōu)點(diǎn)，被廣泛應(yīng)用于作物表型的獲取工作中[15-17]。

前人在用圖像獲取作物表型信息方面已經(jīng)做了許多相關(guān)研究。Rose等[18]基于圖像重建番茄作物的三維模型，獲取其葉面積，主莖長(zhǎng)度和體積信息，并與近地激光傳感器所得結(jié)果對(duì)比。研究表明，攝影測(cè)量手段獲取的番茄表型信息與地面激光雷達(dá)手段獲取的表型結(jié)果具有高度相關(guān)性（R2介于 0.96~0.99之間）。由于番茄作物的研究主要關(guān)心其葉片信息的獲取，故該研究并未對(duì)更多的表型參數(shù)作出探索。Miller等[19]運(yùn)用低成本手持相機(jī)和多視角立體攝影測(cè)量運(yùn)動(dòng)結(jié)構(gòu)（structure from motion &multi-view stereo）來(lái)精確測(cè)量樹(shù)木高度，莖干直徑和體積信息，結(jié)果顯示該方法能夠產(chǎn)生與激光掃描（即LiDAR）準(zhǔn)確度基本相當(dāng)?shù)?D和3D度量結(jié)果。然其并未對(duì)分枝數(shù)信息的獲取方法做出探索。Chaivivatrakul等[20]用TOF（time-of-flight）相機(jī)獲取玉米苗的點(diǎn)云數(shù)據(jù)，通過(guò)三維重建方法構(gòu)建玉米苗三維模型，運(yùn)用算法獲取玉米苗最大/最小莖直徑、莖高、葉面積、葉長(zhǎng)和葉角度信息。本研究在對(duì)雄穗相應(yīng)參數(shù)統(tǒng)計(jì)的基礎(chǔ)上，對(duì)雄穗體積的計(jì)算方法做了探索，并提出一系列雄穗表型參數(shù)。Li等[17]提出了一種低成本的三維重建和形態(tài)表征系統(tǒng)。硬件部分由低成本的2D相機(jī)和3D TOF相機(jī)組成。通過(guò)推導(dǎo)算法重建三維模型，分析精確的 3D 點(diǎn)云數(shù)據(jù)獲取作物的形態(tài)特征信息。與本研究統(tǒng)計(jì)雄穗分枝數(shù)不同的是其對(duì)作物表型信息的提取需要重建目標(biāo)物精確的三維模型，然后在該模型上開(kāi)展后續(xù)研究。Gage等[21]提出了TIPS（tassel image-based phenotyping system），該系統(tǒng)能快速獲取雄穗主軸長(zhǎng)度、分枝數(shù)、骨架長(zhǎng)度等信息。由于該研究基于二維圖像方法來(lái)獲取雄穗表型信息，因此其可獲取的雄穗表型信息類型與本研究基于三維模型方法獲取的雄穗表型信息類型相比較少。

在前人研究的基礎(chǔ)上，本研究提出的針對(duì)玉米雄穗表型信息的提取方法在硬件系統(tǒng)集成方面僅使用了普通消費(fèi)級(jí)數(shù)碼相機(jī)。表型信息的計(jì)算程序不需要精確地重建三維模型，直接對(duì)雄穗點(diǎn)云進(jìn)行基于三維空間的數(shù)據(jù)分析，充分利用數(shù)據(jù)的空間信息。以期為玉米雄穗的復(fù)雜表型信息如：雄穗外包絡(luò)體積，分枝垂直投影面積等的自動(dòng)提取提供新的方法。同時(shí)定義了相關(guān)雄穗三維表型信息，為玉米育種研究提供表型數(shù)據(jù)方面的參考。

1 材料與方法

1.1 材料與數(shù)據(jù)獲取

試驗(yàn)于2017年9月在北京市農(nóng)林科學(xué)院通州科研實(shí)驗(yàn)示范基地的玉米試驗(yàn)田中人工采集了17個(gè)形態(tài)差異較大的玉米雄穗樣本，均處于收獲期。由于在室外大田環(huán)境下，光照條件很難保持穩(wěn)定有效，且室外風(fēng)使得雄穗樣本在拍照期間產(chǎn)生擺動(dòng)，不利于照片的采集。因此，樣本由試驗(yàn)人員從大田采集之后，在室內(nèi)進(jìn)行拍照處理。拍照相機(jī)采用尼康D5600數(shù)碼相機(jī)，有效像素2 416萬(wàn)。在拍照之前，將每個(gè)雄穗樣本固定在參考板上。設(shè)置參考板的目的是為了確定點(diǎn)云數(shù)據(jù)與實(shí)際數(shù)據(jù)之間的尺度因子，同時(shí)也為后續(xù)三維重建的照片匹配環(huán)節(jié)提供特征點(diǎn)。沿相機(jī)位置順時(shí)針?lè)较蛞苿?dòng)，拍攝像片重疊度大于60%的像片。3層相機(jī)位置間的像片重疊度均大于80%。雄穗樣本照片采集過(guò)程如圖 1所示，相機(jī)位置順時(shí)針移動(dòng)，相鄰2個(gè)位置間的夾角為15°。上層相機(jī)鏡頭與垂直方向夾角為30°，距參考板的垂直距離為180 cm。中層相機(jī)鏡頭與垂直方向夾角為 60°，距參考板的垂直距離為110 cm。下層相機(jī)鏡頭與垂直方向夾角為90°，距參考板的垂直距離為40 cm。3層拍攝相機(jī)位置距雄穗樣本的水平距離均為 100 cm。在拍照處理時(shí)，不均勻的光照環(huán)境會(huì)使得照片在雄穗相同部位不同視角下的成像存在差異，影響三維模型的重建效果。因此，室內(nèi)的光線應(yīng)盡量保持均勻。最終每個(gè)雄穗樣本得到72張多視角照片。

圖1 雄穗樣本拍照示意圖Fig.1 Sketch of tassel sample taken photographic processing

在照片獲取之后，利用直尺和游標(biāo)卡尺（0~200 mm開(kāi)式，精度0.01 mm）實(shí)際測(cè)量統(tǒng)計(jì)每個(gè)雄穗樣本的結(jié)構(gòu)參數(shù)，包括：分枝數(shù)、最大穗冠直徑、最大穗冠高度、主軸長(zhǎng)度、主軸最大直徑和主軸最小直徑。

1.2 雄穗三維模型重建

雄穗三維模型重建的基本原理是利用大量重疊度較高的像片通過(guò)SFM (structure from motion) 算法重建物體三維模型。SFM 的核心算法主要包括特征點(diǎn)提取、立體匹配、深度確定和后處理等[22-23]。雄穗三維模型的建立在 VisualSFM 軟件中完成。所有樣本均做了初步三維粗重建，主要過(guò)程如下：

1）特征點(diǎn)定位與匹配；這一步旨在尋找多個(gè)視角下同一空間點(diǎn)之間的位置關(guān)系。首先尋找多個(gè)視角下的相同目標(biāo)點(diǎn)，將其作為特征點(diǎn)并提取，在其余圖像中根據(jù)該特征點(diǎn)進(jìn)行匹配。本研究的特征點(diǎn)主要來(lái)源于參考板。匹配過(guò)程同時(shí)還確定了目標(biāo)點(diǎn)云的尺度因子（縮小到真實(shí)目標(biāo)尺寸的53.7倍）。

2）稀疏點(diǎn)云重建；利用 1）的結(jié)果，根據(jù)特征點(diǎn)法求解每張圖對(duì)應(yīng)的相機(jī)姿態(tài)和稀疏的三維點(diǎn)，這里稀疏的三維點(diǎn)來(lái)自于1）匹配后的特征點(diǎn)[23]。

3）稠密點(diǎn)云重建；稠密重建使用了多視角密集匹配（CMVS/PMVS）算法，首先利用CMVS算法根據(jù)視角對(duì)圖像序列進(jìn)行聚類，然后利用稀疏重建結(jié)果將其向空間周圍擴(kuò)散得到有向點(diǎn)云，同時(shí)利用局部光度一致性和全局可見(jiàn)性約束完成稠密重建過(guò)程[22]。

4）表面重建。表面重建用的是MeshLab軟件提供的泊松表面重建（poisson surface reconstruction）算法。

1.3 點(diǎn)云數(shù)據(jù)預(yù)處理

由于三維重建后的雄穗樣本點(diǎn)云數(shù)據(jù)包括雄穗本身和背景板部分，且存在大量噪聲點(diǎn)。因此，不能直接用于三維表型信息的提取。點(diǎn)云數(shù)據(jù)預(yù)處理過(guò)程如下：

1）點(diǎn)云數(shù)據(jù)抽稀。將雄穗重建后的三維模型進(jìn)行降維采樣，即運(yùn)用主成分回歸（principal component regression）和偏最小二乘法（partial least squares），在保證關(guān)鍵點(diǎn)的同時(shí)，將點(diǎn)云數(shù)量重采樣到原來(lái)的0.005倍。

2）背景板分離。背景板的作用是確定點(diǎn)云數(shù)據(jù)與實(shí)際數(shù)據(jù)之間的尺度因子。因此，本研究利用 PCL（point cloud library）中分割模塊的采樣一致性分割算法（SACA Segmentation）來(lái)實(shí)現(xiàn)分離背景板的目的[24]。在將背景板假定為長(zhǎng)方體后，運(yùn)用該算法將背景板與雄穗分離。最后，將分離出的背景板點(diǎn)云數(shù)據(jù)去除。

3）噪聲點(diǎn)去除。本研究首先利用 1.2節(jié) 3）中的聚類結(jié)果，提取最大的類為雄穗主體，其他為噪聲點(diǎn)。然后將分離出的噪聲點(diǎn)去除，最終達(dá)到去除噪聲點(diǎn)的目的。

4）坐標(biāo)校正。對(duì) 2）分離出的背景板的點(diǎn)云數(shù)據(jù)進(jìn)行擬合求得參考板的法向量。以法線方向作為Z軸方向，經(jīng)過(guò)旋轉(zhuǎn)，校正雄穗整體點(diǎn)云的坐標(biāo)。

1.4 雄穗表型信息提取

1.4.1 針對(duì)育種研究的雄穗表型參數(shù)定義

本研究根據(jù)雄穗結(jié)構(gòu)信息，定義了基本的雄穗表型參數(shù)如圖2所示，分枝數(shù)n（統(tǒng)計(jì)結(jié)果見(jiàn)圖3）、最大穗冠直徑Dc、最大穗冠高度Hb（最大穗冠位置處與雄穗最下端分枝處點(diǎn)云的Z值差）、主軸長(zhǎng)度Hx、主軸最大直徑Dm、主軸最小直徑Dn。此外，為服務(wù)于育種研究，本研究還提出了如下8個(gè)具有農(nóng)學(xué)意義的表型信息：

1）分支垂直投影總面積ADc，如圖4所示；

2）雄穗外包絡(luò)體積Vt，如圖2所示；

3）雄穗平面聚集度Sp：雄穗分枝垂直投影總面積與分枝數(shù)之比，Sp=ADc/n；

4）雄穗空間聚集度Sv：雄穗包絡(luò)體積與分枝數(shù)之比，Sv=Vt/n；

5）主軸變化系數(shù)Cx：主軸最大直徑與最小直徑之差與主軸長(zhǎng)度的比值，Cx=(Dm-Dn)/Hx；

6）雄穗冠高比Kc：最大穗冠直徑與主軸高度之比，Kc=Dc/Hx；

7）雄穗頭莖比Kx：最大穗冠直徑與主軸最大直徑之比，Kx=Dc/Dm；

8）雄穗重心G：以最大穗冠直徑為分界線，分界線至雄穗頂部的距離與分界線至雄穗最下端分枝處的距離之比，G=Hc/Hb。

1.4.2 分枝數(shù)信息統(tǒng)計(jì)

本研究基于密度聚類（density-based spatial clustering of applications with noise，DBSCAN）算法來(lái)提取雄穗分枝數(shù)。DBSCAN算法是一種基于密度的空間聚類算法[25]，該算法將具有足夠密度的區(qū)域劃分為簇，并在具有噪聲的空間數(shù)據(jù)庫(kù)中發(fā)現(xiàn)任意形狀的簇（密度相連的點(diǎn)的最大集合）。算法的具體聚類過(guò)程如下：掃描整個(gè)數(shù)據(jù)集，找到任意一個(gè)核心點(diǎn)，對(duì)該核心點(diǎn)進(jìn)行擴(kuò)充。擴(kuò)充的方法是尋找從該核心點(diǎn)出發(fā)的所有密度相連的數(shù)據(jù)點(diǎn)。遍歷該核心點(diǎn)的鄰域內(nèi)的所有核心點(diǎn)，尋找與這些數(shù)據(jù)點(diǎn)密度相連的點(diǎn)，直到?jīng)]有可以擴(kuò)充的數(shù)據(jù)點(diǎn)為止。最后聚類成的簇的邊界節(jié)點(diǎn)都是非核心數(shù)據(jù)點(diǎn)（此處只是相對(duì)于核心點(diǎn)的定義，區(qū)別于異常點(diǎn)）。然后，重新掃描數(shù)據(jù)集（不包括之前尋找到的簇中的任何數(shù)據(jù)點(diǎn)），尋找沒(méi)有被聚類的核心點(diǎn)，再重復(fù)上面的步驟，對(duì)該核心點(diǎn)進(jìn)行擴(kuò)充直到數(shù)據(jù)集中沒(méi)有新的核心點(diǎn)為止。數(shù)據(jù)集中沒(méi)有包含在任何簇中的數(shù)據(jù)點(diǎn)就構(gòu)成異常點(diǎn)[26-28]。該算法基于密度和距離聚類的特點(diǎn)可以發(fā)現(xiàn)任意形狀的聚類，為分枝數(shù)的統(tǒng)計(jì)提供了一種新思路。計(jì)算結(jié)果示意圖如圖3所示。

本研究實(shí)現(xiàn)分枝數(shù)信息統(tǒng)計(jì)的具體步驟如下：

1）擬合雄穗主軸。選取穗柄部分點(diǎn)云數(shù)據(jù)，將其擬合為一個(gè)圓柱體。根據(jù)圓柱體上下底面的圓心坐標(biāo)確定主軸的方向向量。

2）剔除主枝。選擇 1）擬合的圓柱體上下底面的最大半徑作為新的圓柱體半徑。遍歷所有點(diǎn)云，將新圓柱體內(nèi)的點(diǎn)云剔除掉。

3）分枝數(shù)統(tǒng)計(jì)。基于 DBSCAN算法進(jìn)行分枝數(shù)統(tǒng)計(jì)。試驗(yàn)確定的算法參數(shù)為：最少點(diǎn)數(shù)量為 12，鄰域半徑為0.05 cm。

圖2 雄穗表型參數(shù)示意圖Fig.2 Sketch of tassel phenotype parameters

圖3 分枝數(shù)統(tǒng)計(jì)結(jié)果示意圖Fig.3 Statistical result for the number of branches

1.4.3 體積統(tǒng)計(jì)

根據(jù)雄穗自身的結(jié)構(gòu)特點(diǎn)，本研究提出了一種基于外包絡(luò)面的體積計(jì)算方法，如圖 2所示。該方法將雄穗點(diǎn)云自上而下均勻分為若干層，獲取每層點(diǎn)云的包絡(luò)凸面。凸面由Delaunay三角網(wǎng)組成。計(jì)算每層凸包的面積，再乘以 2層之間的距離，累加求和之后即為雄穗的外包絡(luò)體積[29-31]。其中分層數(shù)根據(jù)雄穗樣本高度（點(diǎn)云最大Z值與最小Z值之差）來(lái)確定，確保相鄰2層之間的距離大小合適（本研究選取的分層數(shù)為30）。在保證算法精度一致性的同時(shí)，適宜的分層數(shù)還能增加算法的運(yùn)行效率并最優(yōu)化結(jié)果。

1.4.4 最大穗冠信息統(tǒng)計(jì)

選取穗柄部分的點(diǎn)云擬合圓，將該圓心作為參考點(diǎn)。計(jì)算雄穗點(diǎn)云分層后各層點(diǎn)云與該參考點(diǎn)在水平面上的距離。選取距離的最大值作為最大穗冠半徑，進(jìn)而求得最大穗冠直徑。

最大穗冠高度在本研究中被定義為雄穗的最下端分枝處到最大穗冠直徑處的垂直距離（如圖2所示）。由于穗柄部分各層點(diǎn)云擬合出圓的直徑之間變化程度很小，而一旦根據(jù)穗柄上部的分枝所在層點(diǎn)云來(lái)擬合圓，圓的直徑大小就會(huì)發(fā)生突變。因此，根據(jù)相鄰兩層雄穗點(diǎn)云所擬合出圓的直徑的突變系數(shù)來(lái)確定雄穗最下端分枝位置。然后，計(jì)算最大穗冠位置處與雄穗最下端分枝處點(diǎn)云的Z值差，求得最大穗冠高度Hb。

1.4.5 主軸和分枝參數(shù)提取

主軸表型信息的提取方法如圖 2所示。主軸長(zhǎng)度為雄穗點(diǎn)云最大 Z值與雄穗最下端分支處（雄穗最下端分枝在主軸處）Z值之差 Hx。主軸最大直徑與最小直徑的確定方法是：以已經(jīng)確定的主軸方向向量為基準(zhǔn)，利用距離參數(shù)提取主軸部分點(diǎn)云數(shù)據(jù)進(jìn)行聚類。最大點(diǎn)云數(shù)量的聚類結(jié)果即為雄穗主軸。最后，對(duì)主軸點(diǎn)云數(shù)據(jù)進(jìn)行分層擬合，從而獲取主軸最大直徑和最小直徑信息。

分枝垂直投影覆蓋總面積的確定是通過(guò)遍歷所有雄穗點(diǎn)云，提取其三維坐標(biāo)的X，Y值投影在二維平面的離散點(diǎn)，求得該離散點(diǎn)的外包絡(luò)凸包面積。該面積即為分枝垂直投影覆蓋總面積如圖4所示。

圖4 分枝垂直投影總面積示意圖Fig.4 Total area of branches vertical projection

2 結(jié)果與分析

2.1 分枝數(shù)信息統(tǒng)計(jì)結(jié)果

試驗(yàn)得到的17個(gè)雄穗樣本的表型信息如表1所示。分枝數(shù)信息統(tǒng)計(jì)結(jié)果的最大絕對(duì)誤差為2，經(jīng)計(jì)算得到的RMSE（root mean square error）為 1.03，nRMSE（normalized root mean square error）為0.05。由于本試驗(yàn)選取的雄穗樣本包括緊湊型、披散型、正常型等多種形態(tài)。因此，在對(duì)不同形態(tài)樣本分枝數(shù)提取算法設(shè)置統(tǒng)一參數(shù)時(shí)，需綜合考慮不同形態(tài)樣本間的差異。試驗(yàn)發(fā)現(xiàn)，緊湊型樣本的分枝數(shù)統(tǒng)計(jì)結(jié)果較其余形態(tài)樣本的統(tǒng)計(jì)結(jié)果精度偏低。原因在于，算法采用的固定參數(shù)（最少點(diǎn)數(shù)量和鄰域半徑）是綜合考慮不同形態(tài)樣本的點(diǎn)云信息之后選取的最優(yōu)值。相較于其他形態(tài)樣本，緊湊型樣本重建后的點(diǎn)云密度偏大，使得算法所采用固定參數(shù)得到的統(tǒng)計(jì)結(jié)果精度相比其他形態(tài)樣本普遍偏低。

2.2 主軸信息與最大穗冠信息統(tǒng)計(jì)結(jié)果

主軸信息和最大穗冠信息的統(tǒng)計(jì)結(jié)果精度如圖 5所示。Hx、Dm、Dn、Hb、Dc的實(shí)測(cè)結(jié)果與計(jì)算結(jié)果的 R2分別為 0.99、0.82、0.83、0.97、0.93；RMSE 分別為 0.228 1、0.219 4、0.164、4.03、3.252 cm，均達(dá)到極顯著相關(guān)水平。主軸信息的統(tǒng)計(jì)結(jié)果表明，主軸長(zhǎng)度的計(jì)算結(jié)果與實(shí)測(cè)結(jié)果具有最小的變異系數(shù)，且其均方根誤差較小，精度最高(R2=0.99, RMSE=0.2 281cm)，這與實(shí)際情況相符。主軸直徑信息的統(tǒng)計(jì)結(jié)果表明，最小直徑計(jì)算結(jié)果較最大直徑計(jì)算結(jié)果整體具有更高的精度。原因在于，最小直徑部分為雄穗的穗柄部分，該部分無(wú)花粉顆粒的附著，相比花粉附著的最大直徑處，其測(cè)量結(jié)果具有較小的人為誤差。從而具有更高的統(tǒng)計(jì)精度。

穗冠信息與主軸長(zhǎng)度相比具有較低的統(tǒng)計(jì)結(jié)果精度。原因在于，最大穗冠直徑與最大穗冠位置的測(cè)量具有較大的人為誤差，且雄穗樣本在人工測(cè)量時(shí)相比拍照處理時(shí)的形態(tài)特征發(fā)生了微小的改變，對(duì)最終的統(tǒng)計(jì)結(jié)果產(chǎn)生了影響。

表1 雄穗表型信息統(tǒng)計(jì)Table 1 Tassel phenotype information statistics

2.3 雄穗表型參數(shù)與結(jié)構(gòu)相關(guān)性分析

對(duì)提出的各雄穗表型信息之間做相關(guān)性分析，結(jié)果如表2所示。分枝垂直投影總面積ADc與Vt間相關(guān)性達(dá)到0.815。雄穗空間聚集度Sv與Sp、ADc、Vt間相關(guān)性分別為 0.903、0.902、0.743。雄穗頭莖比 Kx與 Vt、ADc、Sv間相關(guān)性分別為0.95、0.768、0.696。上述相關(guān)性均達(dá)到極顯著相關(guān)水平。這些表型參數(shù)間的相關(guān)性統(tǒng)計(jì)結(jié)果可為雄穗表型分析提供研究依據(jù)。

表2 各表型信息間的相關(guān)性Table 2 Correlation between phenotype information

3 討 論

本研究在對(duì)雄穗結(jié)構(gòu)信息統(tǒng)計(jì)的基礎(chǔ)上提出了相關(guān)表型參數(shù)的統(tǒng)計(jì)方法。研究提出的方法將有助于育種人員結(jié)合雄穗表型信息與基因型信息來(lái)定位遺傳基因，進(jìn)而選育新品種。與以往有關(guān)雄穗結(jié)構(gòu)信息提取方法不同的是，前人大多是在對(duì)雄穗骨架提取的基礎(chǔ)上首先進(jìn)行點(diǎn)云分割，然后統(tǒng)計(jì)其結(jié)構(gòu)參數(shù)信息[17,20]。本文提出的基于數(shù)碼影像的雄穗表型信息提取方法不用進(jìn)行雄穗點(diǎn)云的分割，避免了點(diǎn)云分割引起的誤差，同時(shí)也提升了運(yùn)算效率。此外，前人在相似研究中多是基于點(diǎn)云數(shù)據(jù)的二維圖像來(lái)進(jìn)行結(jié)構(gòu)信息統(tǒng)計(jì)[21]。本研究提出的基于密度聚類的分枝數(shù)統(tǒng)計(jì)方法是基于點(diǎn)云密度和鄰域來(lái)實(shí)現(xiàn)的。該方法充分利用了點(diǎn)云的空間結(jié)構(gòu)信息，且與以往研究的算法相比，其復(fù)雜度大大降低。目前大多數(shù)有關(guān)雄穗表性信息的提取并沒(méi)有給出確切的表性參數(shù)定義方法。本研究借鑒林學(xué)的表型統(tǒng)計(jì)方法，給出了相關(guān)表性參數(shù)的定義，便于玉米雄穗表型信息的分析。

在對(duì)分枝數(shù)信息的統(tǒng)計(jì)研究中發(fā)現(xiàn)，基于 DBSCAN的算法對(duì)重建后的三維模型的點(diǎn)云密度要求較高。原因在于，該算法中固定的參數(shù)：最小點(diǎn)數(shù)量和鄰域，其實(shí)際指代意義為點(diǎn)云密度。因此，均勻的點(diǎn)云密度將提升算法的最終結(jié)果。這就要求在開(kāi)展試驗(yàn)時(shí)，控制穩(wěn)定的外界環(huán)境。其中光照條件對(duì)最終三維模型的重建效果影響較大。研究表明，漫反射材質(zhì)的試驗(yàn)場(chǎng)地布置相對(duì)于鏡面反射材質(zhì)的試驗(yàn)場(chǎng)地布置可以提供更加均勻的光照條件，有助于提升最終的模型重建精度。

與以往大部分研究對(duì)作物體積提取方法不同的是，本研究并未采取直接對(duì)作物整體進(jìn)行分割后累積求和的計(jì)算方法。為了更為直觀地得到雄穗體積大小對(duì)育種研究的影響，本研究提出外包絡(luò)體積較其實(shí)際體積更能表現(xiàn)出雄穗個(gè)體間的差異，具有一定的農(nóng)學(xué)意義。

本研究還存在一些不足，研究?jī)H針對(duì)其定義的表型參數(shù)來(lái)進(jìn)行相關(guān)結(jié)構(gòu)參數(shù)信息提取。因此，并未對(duì)雄穗分枝的詳細(xì)結(jié)構(gòu)信息進(jìn)行統(tǒng)計(jì)，主要包括：分枝長(zhǎng)度、分枝最大/最小直徑和最大橫截面積，并且未能獲取雄穗分枝夾角信息。在后續(xù)的研究中將逐漸完善這些參數(shù)的提取。此外，本次研究所使用的樣本數(shù)較少。后期研究將通過(guò)獲取田間大樣本數(shù)據(jù)繼續(xù)優(yōu)化該玉米雄穗三維表型信息提取方法。

4 結(jié) 論

研究獲取了17個(gè)雄穗樣本。利用數(shù)碼相機(jī)獲取每個(gè)樣本72張多視照片，進(jìn)行三維模型重建。然后，對(duì)重建后的模型進(jìn)行預(yù)處理，得到雄穗整體點(diǎn)云數(shù)據(jù)。最后，利用 DBSCAN（density-based spatial clustering of applications with noise）算法與Delaunay三角網(wǎng)方法實(shí)現(xiàn)雄穗結(jié)構(gòu)信息和表型參數(shù)的提取與統(tǒng)計(jì)。研究得到的結(jié)果如下：

1）利用立體視覺(jué)三維重建技術(shù)獲取雄穗三維點(diǎn)云模型，對(duì)重建后的點(diǎn)云模型進(jìn)行三維表型信息提取。得到的表型信息如下：分枝數(shù)n、外包絡(luò)體積Vt、最大穗冠直徑Dc/高度Hb、主軸長(zhǎng)度Hx/最大直徑Dm/最小直徑Dn、分枝垂直投影覆蓋總面積ADc。其中，基于密度聚類的分枝數(shù)統(tǒng)計(jì)方法得到結(jié)果與人工實(shí)測(cè)結(jié)果比較的最大絕對(duì)誤差為 2，RMSE（root mean square error）為 1.03，nRMSE（normalized root mean square error）為 0.05。Hx、Dm、Dn、Hb、Dc的實(shí)測(cè)結(jié)果與計(jì)算結(jié)果的 R2分別為 0.99、0.82、0.83、0.97、0.93；RMSE分別為0.228 1、0.219 4、0.164、4.03、3.252 cm。均達(dá)到極顯著相關(guān)水平。

2）研究定義了相關(guān)表型參數(shù)，并對(duì)其做了相關(guān)性分析。結(jié)果表明：基于Delaunay三角網(wǎng)方法得到的雄穗外包絡(luò)體積與分枝垂直投影總面積具有顯著相關(guān)性（P<0.01）。雄穗空間聚集度與雄穗平面聚集度、分枝垂直投影總面積、外包絡(luò)體積間具有極顯著相關(guān)性。雄穗頭莖比與外包絡(luò)體積、分枝垂直投影總面積、雄穗空間聚集度間具有極顯著相關(guān)性。該分析結(jié)果在育種研究中具有一定的應(yīng)用潛力。

[1] 劉偉華，羅紅兵，邱博. 玉米雄穗發(fā)育及其分枝數(shù)的QTL定位研究進(jìn)展[J]. 作物研究，2015(6)：667－671.Liu Weihua, Luo Hongbing, Qiu Bo. Progress in QTL mapping of maize ear development and its branching number[J]. Crop Research, 2015(6): 667－671. (in Chinese with English abstract)

[2] 宋鳳斌，戴俊英. 玉米對(duì)干旱脅迫的反應(yīng)和適應(yīng)性Ⅱ. 玉米雌穗和雄穗生長(zhǎng)發(fā)育對(duì)干旱脅迫的反應(yīng)[J]. 吉林農(nóng)業(yè)大學(xué)學(xué)報(bào)，2005，27(1)：1－5.Song Fengbin, Dai Junying. Reaction and adaptability of maize to drought stress Ⅱ. Response of growth and development of ears and earlets of maize to drought stress[J].Journal of Jilin Agricultural University, 2005, 27(1): 1－5.(in Chinese with English abstract)

[3] 柳家友，柏志安，吳偉華. 玉米雜交種主要穗部性狀之演變及對(duì)育種目標(biāo)的影響[J]. 玉米科學(xué)，2004，12(增刊2)：3－4.Liu Jiayou, Bai Zhian, Wu Weihua. Evolution of main ear traits of maize hybrids and their effects on breeding objectives[J]. Maize Science, 2004, 12 (Supp.2): 3－4. (in Chinese with English abstract)

[4] 李登海，楊今勝，柳京國(guó)，等. 對(duì)超級(jí)玉米雜交種的選育與推廣的思考[J]. 玉米科學(xué)，2008，16(5)：1－2.Li Denghai, Yang Jinsheng, Liu Jingguo, et al. Research on the breeding and popularization of super corn hybrids[J].Maize Science, 2008,16(5): 1－2. (in Chinese with English abstract)

[5] 湯國(guó)民，龍麗萍，于立芝，等. 玉米雜交種主要農(nóng)藝性狀對(duì)產(chǎn)量穩(wěn)定性影響的研究[J]. 中國(guó)農(nóng)學(xué)通報(bào)，2004，20(1)：71－72.Tang Guomin, Long Liping, Yu Lizhi, et al. Effect of main agronomic traits on yield stability of maize hybrids[J].Chinese Agricultural Science Bulletin, 2004, 20(1): 71－72.(in Chinese with English abstract)

[6] 李亞楠，劉雪艷，師亞琴，等. 陜A群、陜B群選育的玉米自交系氮效率評(píng)價(jià)[J]. 中國(guó)生態(tài)農(nóng)業(yè)學(xué)報(bào)，2016，24(11)：1521－1528.Li Yanan, Liu Xueyan, Shi Yaqin, et al. Evaluation of nitrogen efficiency of maize inbred lines grown in Shan A and Shan B Groups[J]. Chinese Journal of Eco-Agriculture,2016, 24(11): 1521－1528. (in Chinese with English abstract)

[7] 焦瀏，董志強(qiáng)，高嬌，等. 雙重化控對(duì)春玉米不同密度群體冠層結(jié)構(gòu)的影響[J]. 玉米科學(xué)，2014，22(6)：51－58.Jiao Liu, Dong Zhiqiang, Gao Jiao, et al. Effect of dual chemical control on canopy structure of spring population with different density[J]. Maize Science, 2014, 22(6): 51－58.(in Chinese with English abstract)

[8] 張善平，馮海娟，馬存金，等. 光質(zhì)對(duì)玉米葉片光合及光系統(tǒng)性能的影響[J]. 中國(guó)農(nóng)業(yè)科學(xué)，2014，47(20)：3973－3981.Zhang Shanping, Feng Haijuan, Ma Cunjin, et al. Effects of light quality on photosynthesis and photosystem properties of maize leaves[J]. China Agricultural Science, 2014, 47(20):3973－3981. (in Chinese with English abstract)

[9] 楊釗釗，李永祥，劉成，等. 基于多個(gè)相關(guān)群體的玉米雄穗相關(guān)性狀 QTL分析[J]. 作物學(xué)報(bào)，2012，38(8)：1435－1442.Yang Zhaozhao, Li Yongxiang, Liu Cheng, et al. QTL analysis of related traits in maize based on multiple relevant populations[J]. Journal of Crop Sciences, 2012, 38(8):1435－1442. (in Chinese with English abstract)

[10] 高世斌，趙茂俊，蘭海，等. 玉米雄穗分枝數(shù)與主軸長(zhǎng)的QTL 鑒定[J]. 遺傳，2007，29(8)：1013－1017.Gao Shibin, Zhao Maojun, Lan Hai, et al. QTL identification of maize branch number and major axis[J]. Genetic, 2007, 29(8): 1013－1017. (in Chinese with English abstract)

[11] 王迪，李永祥，王陽(yáng)，等. 控制玉米雄穗分枝數(shù)目和雄穗重的主效QTL的定位[J]. 植物學(xué)報(bào)，2011，46(1)：11－20.Wang Di, Li Yongxiang, Wang Yang, et al. College of QTLs for controlling major QTLs for maize ear branches and ear weight[J]. Acta Botanica, 2011, 46(1): 11－20. (in Chinese with English abstract)

[12] 孫振，莫喬程，程備久，等. 玉米雄穗分枝數(shù)性狀遺傳、雜種優(yōu)勢(shì)與親子相關(guān)分析[J]. 作物雜志，2012(2)：31－35.Sun Zhen, Mo Qiaocheng, Cheng Beijiu, et al. Correlation analysis of maize branch number traits, heterosis and parent-child relationship[J]. Crops, 2012 (2): 31－35. (in Chinese with English abstract)

[13] 劉建剛，趙春江，楊貴軍，等. 無(wú)人機(jī)遙感解析田間作物表型信息研究進(jìn)展[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2016，32(24)：98－106.Liu Jiangang, Zhao Chunjiang, Yang Guijun, et al. Research progress on field crop phenotypic information by UAV remote sensing[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2016,32 (24): 98－106. (in Chinese with English abstract)

[14] 段濤. 基于近感圖像的作物表型高通量測(cè)量方法研究[D].北京：中國(guó)農(nóng)業(yè)大學(xué)，2017.Duan Tao. Research on Crop Phenotype High-flux Measurement Based on Near-sensitive Image[D]. Beijing: China Agricultural University, 2017. (in Chinese with English abstract)

[15] Pound M P, French A P, Murchie E H, et al. Automated recovery of three-dimensional models of plant shoots from multiple color images[J]. Plant Physiology, 2014, 166(4):1688－1698.

[16] Walter A, Scharr H, Gilmer F, et al. Dynamics of seedling growth acclimation towards altered light conditions can be quantified via GROWSCREEN: A setup and procedure designed for rapid optical phenotyping of different plant species[J]. New Phytologist, 2007, 174(2): 447－455.

[17] Li J, Tang L. Developing a low-cost 3D plant morphological traits characterization system[J]. Computers & Electronics in Agriculture, 2017, 143: 1－13.

[18] Rose J C, Paulus S, Kuhlmann H. Accuracy analysis of a multi-view stereo approach for phenotyping of tomato plants at the organ level[J]. Sensors, 2015, 15(5): 9651－9665.

[19] Miller J, Morgenroth J, Gomez C. 3D modelling of individual trees using a handheld camera: Accuracy of height, diameter and volume estimates[J]. Urban Forestry & Urban Greening,2015, 14(4): 932－940.

[20] Chaivivatrakul S, Tang L, Dailey M N, et al. Automatic morphological trait characterization for corn plants via 3D holographic reconstruction[J]. Computers & Electronics in Agriculture, 2014, 109(C): 109－123.

[21] Gage J L, Miller N D, Spalding E P, et al. TIPS: A system for automated image-based phenotyping of maize tassels[J].Plant Methods, 2017, 13(1): 21－32.

[22] Furukawa Y, Ponce J. Accurate, dense, and robust multiview stereopsis[J]. IEEE Transactions on Pattern Analysis &Machine Intelligence, 2010, 32(8): 1362－1376.

[23] 吳從中，張凌華，詹曙. 融合Gabor特征的SFM算法三維人臉建模[J]. 合肥工業(yè)大學(xué)學(xué)報(bào)：自然科學(xué)版，2017，40(2)：180－185.Wu Congzhong, Zhang Linghua, Zhan Shu. Three-dimensional face modeling of SFM algorithm based on gabor features[J].Journal of Hefei University of Technology: Natural Science Edition, 2017, 40(2): 180－185. (in Chinese with English abstract)

[24] 郭保青，余祖俊，張楠，等. 鐵路場(chǎng)景三維點(diǎn)云分割與分類識(shí)別算法[J]. 儀器儀表學(xué)報(bào)，2017，38(9)：2103－2111.Guo Baoqing, Yu Zujun, Zhang Nan, et al. Segmentation and classification recognition algorithm of 3D point clouds for railway scenes[J]. Chinese Journal of Scientific Instrument,2017, 38(9): 2103－2111. (in Chinese with English abstract)

[25] Rodriguez A, Laio A. Clustering by fast search and find of density peaks[J]. Science, 2014, 344(6191): 1492－1496.

[26] 熊忠陽(yáng)，孫思，張玉芳，等. 一種基于劃分的不同參數(shù)值的 DBSCAN算法[J]. 計(jì)算機(jī)工程與設(shè)計(jì)，2005，26(9)：2319－2321.Xiong Zhongyang, Sun Si, Zhang Yufang, et al. A DBSCAN algorithm based on partitioning with different parameter values[J]. Computer Engineering and Design, 2005, 26(9):2319－2321. (in Chinese with English abstract)

[27] 胡彩平，秦小麟. 一種改進(jìn)的基于密度的抽樣聚類算法[J].中國(guó)圖象圖形學(xué)報(bào)，2007，12(11)：2031－2036.Hu Caiping, Qin Xiaolin. An improved density-based sampling clustering algorithm[J]. Journal of Image and Graphics, 2007, 12 (11): 2031－2036. (in Chinese with English abstract)

[28] 張曉，張媛媛，高陽(yáng)，等. 一種基于密度的快速聚類方法[J]. 數(shù)據(jù)采集與處理，2015(4)：888－895.Zhang Xiao, Zhang Yuanyuan, Gao Yang, et al. A fast density clustering method[J]. Data Acquisition and Processing,2015(4): 888－895. (in Chinese with English abstract)

[29] 鄔吉明，沈隆鈞，張景琳. Delaunay三角網(wǎng)格的一種快速生成法[J]. 數(shù)值計(jì)算與計(jì)算機(jī)應(yīng)用，2001，22(4)：267－275.Wu Jiming, Shen Longjun, Zhang Jinglin. A fast method for delaunay triangulation[J]. Numerical Computing and Computer Applications, 2001, 22(4): 267－275. (in Chinese with English abstract)

[30] 丁道紅，章青. 基于Delaunay三角網(wǎng)的三維Voronoi單胞體積計(jì)算[J]. 河海大學(xué)學(xué)報(bào)(自然科學(xué)版)，2012，40(4)：397－400.Ding Daohong, Zhang Qing. Calculation of three-dimensional voronoi cell volume based on delaunay triangulation[J].Journal of Hohai University (Natural Science), 2012, 40(4):397－400. (in Chinese with English abstract)

[31] 吳宇曉，張登榮. 生成Delaunay三角網(wǎng)的快速合成算法[J].浙江大學(xué)學(xué)報(bào)(理學(xué)版)，2004，31(3)：343－348.Wu Xiaoyu, Zhang Dengrong. A fast algorithm for generating delaunay triangulation[J]. Journal of Zhejiang University (Science Edition), 2004, 31(3): 343－348. (in Chinese with English abstract)