综合光谱成像和机器学习的植物非侵入性表型分析方法


发布时间:

2023-10-11

来源:

本站

作者:

PhenoTrait

高通量表型分析现在是植物科学进步、加速育种和精准农业的核心。表型分析的力量来自于描述植物对象的大型数据集的自动、快速、无创收集。在这种情况下,从不同类型的图像中提取相关信息的目标是至关重要的。本文回顾了光谱和基于机器学习的植物成像方法,以确定它们的表型。这两种方法的优点和缺点将重点讨论植物的监测。将机器学习算法挖掘的光谱和空间数据相结合是一种很有前途的方法,可以处理植物固有生理生化性状的空间异质性。选择基于生物物理的特征作为信息特征,并从其结构参数的角度考虑机器学习算法,可以提高其准确性和鲁棒性。基于经典植物光谱学方法和现代计算机视觉算法综合的整体方法为植物驯化机制的研究开辟了新的视野。这将为开发新的、甚至更强大的高通量植物表型分析方法奠定坚实的基础。

 

结合光谱和基于机器学习的方法的优势的新兴方法在不久的将来仍将是植物表型分析的一个有前途的方向。将光谱和空间特征结合起来有利于近端植物表型分析,但在将现代机器学习的力量与植物光谱中的现有技术融合并利用之前,必须克服几个问题,主要是鲁棒性、可解释性和计算复杂性。

 

图1 植物物体生理变化的高光谱可视化的一个例子。苹果果实成熟的视觉外观(a-c)和使用VI处理的高光谱图像显示了成熟典型的类胡萝卜素(d-f)增加和叶绿素(g-i)下降。

 

图2 应用高光谱反褶积法提取苹果果实成熟的非侵入性评价信息。a各研究批次代表性果实叶绿素和类胡萝卜素光谱贡献对总反射率的分布变化。请注意,模态值向叶绿素含量较低的方向偏移;b光合色素的贡献(与果实成熟度成反比)与成熟度的破坏性评价(Streif指数)的关系。苹果果实的数量在数据点附近表示。

 

图3 高光谱数据与机器学习分析相互增强在苹果果实损伤检测中的应用实例。下经过预处理和图像配准后,光谱图像的空间维度都不同;单热标签编码实际上是在训练和推理期间内部使用。

 

来 源

Solovchenko, A., Shurygin, B., Nesterov, D.A. et al. Towards the synthesis of spectral imaging and machine learning-based approaches for non-invasive phenotyping of plants. Biophys Rev (2023). https://doi.org/10.1007/s12551-023-01125-x

 

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。