平均粒重 (MGW) 是小麦育种和生理学中常用的测量参数之一。尽管近几十年来，各种小麦籽粒分析（例如计数和确定大小、颜色或形状特征）得到了发展，但由于自动图像处理系统的存在，MGW 估计于使用少量图像衍生指数；即主要是基于投影面积（Area）开发的线性或幂模型。在初步观察到颗粒宽度在改进预测方面的潜力之后，本研究旨在探索更有效的指标，以提高基于图像的 MGW 估计的精度。为此，处理了谷物的图像存档，该存档取自为期 2 年的田间试验，在两种灌溉条件下进行了 3 次重复，包括 15 个品种混合处理（因此存档由 180 幅图像组成，包括超过72,000 粒）。

图像分割输出用于提取颗粒和拟合佳椭圆。A存档中的一张图片，包含 400 多粒小麦。例如，198彩代理规划白框中的颗粒在图中的下一部分进行处理。B 分辨率输出增强；C 图像分割的结果。两种分辨率使用相同的阈值；D 将佳椭圆拟合到单个颗粒

 

可以观察到，在 30 多个评估的颗粒尺寸和形状指标中，与面积相比，颗粒宽度指标（即 Minor 和 MinFeret）以及其他 8 个经验指标与 MGW 的相关性高于面积。使用面积 × 圆度、周长 × 圆度和面积/周长指数获得了的 MGW 预测。结果表明，（1）颗粒宽度和面积/周长比是优势预测指标结构的共同因素； (2)各优势指标与颗粒宽度的相关性高，而与其数学分量相关性较低。此外，优势指标的相对效率在 4 种环境条件下基本保持稳定。终，使用选定的指标，开发并验证了十个简单的线性模型用于 MGW 预测，结果表明比当前基于面积的模型具有相对更高的精度。同时也证明了提高图像分辨率对模型精度有显着影响。

 

平均粒重 (MGW) 的主成分分析 (PCA) 和基本图像衍生的粒度指标，即主要和 Feret（粒长指标）、次要和 Feret（粒宽指标）以及面积。显然，颗粒宽度的一维指标比面积的二维指标更准确地反映了 MGW 的变化。

 

本研究的结果以及使用新的图像衍生指数开发和验证的简单预测线性模型，198彩代理有望提高基于图像的 MGW 估计的精度，从而为小麦育种和生理评估提供帮助。