基于高光谱成像的小麦单株精细生殖期分类-慧诺瑞德（北京）科技有限公司|叶绿素荧光|光合作用|植物表型

学术中心

全部分类

基于高光谱成像的小麦单株精细生殖期分类

发布时间：

2025-12-04

来源：

作者：

在植物转基因和基因组编辑领域，田间试验对预测生育期、产量和潜在非预期效应起着至关重要的作用。澳大利亚基因作物的田间试验受到严格监管，要求对开花时间进行准确预测。截至目前，单株小麦开花期的预测主要依赖于劳动密集的人工视野检查。

为了经济、有效、准确实现花前关键期（旗叶刚可见Z37、旗叶叶舌刚可见（Z39）以及旗叶叶鞘延长（Z41））自动预测及分类，作者结合了高光谱成像和机器学习方法，在温室捕获了单株小麦高光谱和RGB图像，并获取了高光谱反射率数据。

结果显示：①通过组合使用和系统比较三种光谱变换（标准正态变量、超色调或主成分分析），支持向量机表现出最高的稳定性和准确性，F1评分为0.832。②SNV变换在归一化反射率值和降低光谱变异性表现出稳健的性能，保持了较高的分类精度和较强的泛化能力。三种方法的综合效果优于任何单一变换。③特征选择显示，即使只有5个选定波长，分类仍然可以实现高于0.75的F1分数。此结果说明波长数量减少而没有显著损失性能。④Bootstrap进一步表明，当使用SNV转换的数据作为输入时，训练集是测试集双倍大小时就以获得0.8以上的F1值。

以上结果突出了转化丰富数据和优化特征选择对生育阶段准确分类的有效性。将高光谱成像与优化的特征选择和变换方法相结合能够减少田间试验中对劳动密集型监测的依赖，为田间试验实践保障生物安全提供了一种低成本的方法。

图1.彩色图像预处理的流程图

图2. 彩色图像分析的模型结构

图3. 温室高光谱图像预处理流程图

图4. 对在受控环境条件下收集的数据进行建模

图5. 特征提取模型可解释性的Grad-CAM热图可视化

图6. 高光谱数据SVM分析的F1分数结果。“org”、“hyp”、“snv”和“pca”分别表示原始反射率、超色调转换数据、SNV转换数据和PCA转换数据

图7.关键波长的分布。a.关键波长选自原始数据集；b.关键波长选自SNV变换数据

来源

Xie, Y., Roy, S.J., Schilling, R.K. et al. Hyperspectral-based classification of individual wheat plants into fine-scale reproductive stages. Plant Methods 21, 146 (2025). https://doi.org/10.1186/s13007-025-01459-5

编辑

JAYz

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。

视频展示