基于改进骨架提取算法的番茄冠层表型性状检测方法


发布时间:

2023-11-09

来源:

本站

作者:

PhenoTrait

番茄冠层表型性状的自动获取是番茄品种选择和科学栽培的基础。由于番茄的无限生长特性,其器官发育具有随机性,冠层内部结构也较为复杂。这使得获得器官的详细表型特征具有挑战性。因此,本文提出了一种基于改进骨架提取算法(improved skeleton extraction algorithm,ISEA)的番茄冠层表型性状检测方法。首先,在多角度采集番茄冠层点云数据后,精确重建其三维模型;其次,采用最小二乘法对拉普拉斯骨架提取算法的空间收缩模型进行简化,得到番茄骨架点集;在此基础上,利用Greedy算法对Edge Collapse算法进行优化,提取出更加准确可靠的骨架结构。然后,结合作物冠层生长特征和内在形状特征(Intrinsic Shape Signatures,ISS)原理,对简化后的骨架结构进行局部主成分分析(principal component analysis,PCA),实现番茄主茎叶的分离。最后,采用基于Delaunay三角剖分的建模算法构建分离器官模型,计算茎粗、叶面积指数和平均叶倾角等表型性状。并将计算结果与不同生长阶段的实测值进行比较,进行性能评价。ISEA的平均精密度为0.9144,平均召回率为0.7751,平均正确率为0.7243,微F1评分为0.8306。茎粗、叶面积指数和平均叶倾角的计算值与实测值总体R2分别为0.9638、0.9067和0.9428,均方根误差(root mean square errors,RMSE)分别为0.3922、0.0029和0.0186。结果表明,该方法可以从复杂的番茄冠层中提取出简单的骨架,并准确地计算出表型性状。这也为研究番茄“基因型-表型-环境型”的相互作用提供了坚实的技术支持。

图1 实验环境。(a)番茄苗木栽培;(b)盆栽番茄;(c)温室生长环境。

 

图2  采集平台及控制软件示意图:(a)番茄冠层多源图像采集平台;(b)室内扫描平台;(c) KinectV2摄像机操作软件。

 

图3 番茄植株在不同生长阶段从三个不同角度拍摄的点云,其中DAP代表种植入温室后的天数。

 

图4 预处理结果:(a)原始点云;(b)条件滤波结果;(c) SOR滤波结果。

 

图5 番茄冠层特征提取及粗配准结果:(a)特征提取结果;(b)粗配准结果1;(c)粗配准结果2。

 

图6 三维结构重建结果。

 

图7 收缩效果。(a)模型经拉普拉斯收缩后的收缩点集;(b)压缩点集在采样点集中的分布。在图中,黑色圆圈标记的区域代表出现了明显的收缩误差和不同程度的结构闭合或缺失。

 

图8 骨架粗提取结果:(a)骨架点集;(b)骨架结构。在图中,黑色圆圈表示三角形闭环骨架的面积。

 

图9  番茄冠层骨架提取结果示意图:;(a)番茄冠层内部骨架;(b)骨架结构。图中黑色圆圈表示三角形闭环骨架的面积。

 

图10 骨架变化角计算及分割结果示意图:(a)骨架变化角;(b)主干分割结果。

 

图11  器官点云分离结果。(a)主干点云;(b)叶点云。

 

图12  茎秆直径计算方法示意图。(a)主茎杆截面切片;(b)计算方法的比较。

 

图13 叶片分割示意图。(a)聚类结果;(b)叶片垂直投影。

 

图14 三角叶片点云模型。

 

图15 叶片垂直投影结果。(a)叶片三角投影;(b)叶点云与三角投影的对比。

 

图16 番茄冠层重建结果。(a)初花期;(b)花期;(c)初生果期。

 

图17 番茄各阶段冠层骨架提取示意图。(a)初花期收缩点集和骨架;(b)花期初期的骨架;(c)花期收缩点集和骨架;(d)花期的骨架;(e)初果期收缩点集和骨架;(f)初生果期的骨架。在图中,红线是西红柿的骨架结构。蓝色的散点是番茄冠层的采样点集。黑色圆圈标记的部分表示生成错误的骨架。

 

图18  主茎秆取样点选择示意图。

 

图19 番茄冠层茎粗计算结果。(a)初花期;(b)花期;(c)初生果期;(d)总阶段。三角形、圆形和菱形标记点分别代表茎直径数据收集的第一、第二和第三个采样点。

 

图20 LAI分析结果。(a)初花期;(b)花期;(c)初生果期;(d)总阶段。

 

图21 LIA分析结果。(a)初花期;(b)花期;(c)初生果期;(d)总阶段。

 

来 源

Tianyu Zhu, Xiaodan Ma, Haiou Guan, Xia Wu, Feiyi Wang, Chen Yang, Qiu Jiang. A method for detecting tomato canopies’ phenotypic traits based on improved skeleton extraction algorithm. Computers and Electronics in Agriculture, 108285.

 

编辑

王春颖

推荐新闻

石时之约|韩志国:透过表型数据,看见植物的喜怒哀乐!

本期石时之约,我们将对话慧诺瑞德(北京)科技有限公司总经理、国际植物表型学会(IPPN)执委会委员/工业分会副主席韩志国,一起从表型数据的科学角度,去读懂农作物的喜怒哀乐和前世今生。

慧科研、慧育种、慧种田——慧聚改变的力量

让我们“慧聚”在一起,为“慧科研、慧育种、慧种田”赋能。

高通量植物表型平台建设注意事项

育种,是在给定的环境条件下,选择各种表型指标(产量、品质、抗性)最优的基因型材料的过程(AI育种,从这里起步)。育种工作中大约70%的工作量来自表型观察测量和筛选,是最耗人力物力的过程。

作物生理表型测量基础原理

生理表型测量的核心在于“早、快”,要在肉眼可见之前就能测量并预判出变化趋势,才是这个技术的核心价值。叶绿素荧光成像,恰好满足了这个要求。