2024年12月，Expert systems with applications（中科院一區TOP期刊，影響因子7.5）在線發表了山東農業大學劉平教授團隊題為Real-time Monitor Heading Dates of Wheat Accessions for Breeding In-field Based on DDEW-YOLOv7 Model and BotSort Algorithm的研究論文。

在大群體中高效、高通量、無損的動態監測作物性狀已成為連接基因型與表型的育種瓶頸。小麥育種中，抽穗期的變化可以表明小麥品種對環境變異和遺傳因素的反應，對其進行動態跟蹤有助于產量預測，識別遺傳改良所需性狀，有助于識別適應性強的基因型和最佳抽穗特性，指導制定有效的育種策略。傳統的方法往往需要定期觀察，無法實時捕捉抽穗期的動態變化，勞動強度大、效率低。因此，該研究基于DDEW-YOLOv7模型和BotSort算法提出了田間育種小麥品種抽穗期實時監測方法（圖1）。

圖1 抽穗期實時監測方法

該研究首先利用構建的DDEW-YOLOv7模型和BotSort跟蹤算法實現了小麥穗的實時檢測和計數。然后，利用獲取的麥穗時序數據，生成麥穗生長曲線與增量圖并確定F1雜交小麥品種抽穗日期及估算單位面積穗密度。試驗可知，該模型在麥穗檢測方面顯著降低誤檢率，在復雜場景下具有更高的準確性和穩定性。同時在麥穗計數方面，模型的檢測結果與人工測量結果高度相似（RMSE和R2分別為91.04和0.99，圖2）。在不同品種、不同種植密度的11塊小麥地塊上，抽穗期測定的RMSE約為0.3天，估算的單位面積穗密度與真實值之間的RMSE約為6.10（圖3）。該方法為大規模估算小麥抽穗期提供了可行的解決方案，同時實現了作物生長狀況的實時評估和產量預測，為精準農業提供高通量、準確的數據支持。在氣候變化和環境脅迫條件下，將其應用于育種選擇、優化種植策略和增強氣候適應性等方面，對支持農業可持續生產和提高作物生產力具有重要意義。

山東農業大學劉平教授為通訊作者，研究方向為農業機器人與智能輔助育種關鍵技術。山東農業大學博士研究生宋緒斌為第一作者，該論文獲得山東省重點研發計劃項目的資助。

編      輯：萬    千 

審      核：賈    波