在现代农业研究中,植物表型分析作为连接植物基因与环境因素的关键桥梁,对于加速作物改良和提升农业生产力具有重要意义。然而,传统的植物表型分析系统大多在白天运行,面临着光照变化和阴影干扰等诸多挑战,影响了表型数据的准确性和稳定性。近日,中国科学院遗传发育所、慧诺瑞德公司和华中科技大学联合提出的一项创新性研究突破了这一局限,成功构建了一种基于夜间环境的高通量植物表型分析系统,并以水稻为案例进行了深入研究,为植物表型分析领域带来了新的曙光。该成果于2025年4月7日在中科院一区top期刊Computers and Electronics in Agriculture在线发表。
研究背景
植物表型是指植物基因型在特定环境下表现出的形态和生理特征,这些特征对于理解植物生长模式、应激反应和生产力至关重要。传统的表型获取方法依赖于人工采样和手工测量,这种方式不仅耗时费力,而且主观性强,难以满足现代大规模表型研究的需求。因此,高通量植物表型平台(HTPP)应运而生,它能够实现非破坏性、自动化、准确和快速的表型数据采集。然而,白天的光照条件变化剧烈,导致基于视觉的表型系统在数据采集时容易出现误差。为了解决这一问题,研究人员开始探索夜间植物表型分析的可能性,因为夜间环境相对稳定,光照条件可控,能够有效减少光照变化和阴影对图像分析的影响。
展开剩余80%硬件平台
研究人员对轨道式高通量植物表型平台TraitDiscover进行了定制化改造,使其能够在夜间稳定运行。具体来说,他们设计了一种阵列式照明系统,确保在低光照条件下也能获得高质量的图像。这种照明系统采用了高效率的全光谱LED灯珠,均匀分布在相机周围,消除了阴影和热点,确保了图像的一致性。此外,研究人员还开发了一种三轴自动控制系统,能够根据植物的大小和形状进行精确调整,确保对不同区域的详细分析。
图1 高通量植物表型平台TraitDiscover的硬件架构和Web应用程序TraitNavigator
软件研发
软件方面,研究人员集成了最先进的YOLOv8目标检测和K-Net语义分割框架,以实现高性能的夜间图像分析。此外,研究人员还开发了一个名为TraitNavigator的Web应用程序,用于管理传感器、规划路径、调度任务和分析数据。TraitNavigator提供了一个用户友好的界面,用于配置多种传感器,确保每个设备都能精确校准以捕获准确的表型数据。路径规划算法能够自动化机械部件(如三轴平台)的运动路径规划,确保全面且高效的扫描过程。任务管理功能能够根据定义的协议安排和执行实验,使用户能够轻松启动、监控和控制过程。Web服务的集成增强了数据收集过程的灵活性,确保用户可以随时随地参与实验。
图2 PhenoNight图像分析流程
数据集构建与标注
为了评估表型分析方法的性能,研究人员构建了一个高质量的夜间水稻图像分割数据集。该数据集包含360张精细标注的夜间水稻图像,涵盖了不同的生长阶段和环境条件。研究人员使用LabelMe软件进行了手动标注,确保了数据的准确性和可靠性。这些标注的图像为模型的训练和验证提供了坚实的基础。
研究成果与亮点
实验结果令人振奋。定制的夜间表型分析系统在图像分割性能上表现出色,达到了93.52%的高分割精度(mask IoU),这一指标显著高于白天表型分析所报告的指标。从图像分析结果中,研究人员进一步提取并验证了28个与颜色、形态和纹理相关的表型参数。这些参数与实际测量值之间的平均相关系数(R²)达到了0.95,充分证明了系统在夜间表型分析中的可靠性和稳定性。这一成果不仅为夜间植物表型分析提供了有力的技术支持,也为植物表型分析领域带来了新的研究思路和方法。
图像分割性能
研究人员对比了多种经典作物分割算法在夜间环境下的表现,发现这些算法在处理夜间图像时存在显著的局限性。例如,某些算法在处理深色背景或水面上的反射时表现不佳,无法准确区分水稻植株和背景。而K-Net模型在夜间水稻图像分割任务中表现出色,其mIoU(平均交并比)达到了93.52%,显著优于其他方法。这一结果表明,K-Net模型能够有效地处理夜间环境中的复杂背景和光照条件,为夜间表型分析提供了可靠的图像分割解决方案。
图3 不同方法的夜间水稻分割性能对比
表型参数提取
研究人员从分割后的图像中提取了28个表型参数,包括颜色、形态和纹理特征。这些参数涵盖了从植株的绿色面积比例到叶片的纹理复杂度等多个方面。实验结果表明,这些参数与实际测量值之间的平均相关系数(R²)达到了0.95,表明系统能够准确地提取表型信息。例如,颜色参数(如平均红色、绿色和蓝色值)的R²值均大于0.98,形态参数(如冠层宽度和长度)的R²值也达到了0.98或更高。这些结果表明,夜间表型分析系统不仅能够准确地分割水稻植株,还能可靠地提取表型参数,为植物生长和发育的研究提供了有力支持。
图4 代表性的表型性状:颜色、形态、纹理特征
图5 表型参数的预测结果和真实值的R²
表1 TraitNavigator提取的表型性状
研究意义与未来展望
本研究的成果具有重要的科学意义和应用价值。首先,它证明了夜间环境能够实现高精度、高一致性的高通量植物表型分析,为植物表型分析提供了一种新的选择。其次,研究人员开发的夜间工作模式和数据集为未来夜间植物图像分析提供了宝贵的技术资源和数据支持。未来,研究人员计划将该系统扩展到更多植物种类,并进一步探索夜间环境中其他传感器的应用,以获取更全面的植物表型信息,为农业生产和植物科学研究提供更有力的技术支持。
作者介绍
慧诺瑞德公司实习生/华中科技大学人工智能与自动化学院徐冰慧和慧诺瑞德公司张佳菲为论文共同第一作者;中国科学院遗传与发育生物学研究所胡伟娟博士、慧诺瑞德公司/宏表型实验室公司韩志国博士和华中科技大学陆昊博士为论文共同通讯作者;中国科学院遗传与发育生物学研究所博士生汤芷歆、慧诺瑞德公司张勇帅和徐伶俐,一起深度参与了本研究。本研究得到了国家重点研发计划(2023YFF1001502)、国家自然科学基金/面上项目(32370435)、长春市市院科技创新合作专项(23SH18)和慧诺基金等项目的资助。
发布于:上海市炒股入门与技巧,配资低息炒股配资门户,炒股配资最新提示:文章来自网络,不代表本站观点。