系统分析影响高通量植物表型的软硬件因素


发布时间:

2023-05-24

来源:

植物表型资讯

作者:

PhenoTrait

植物表型学研究植物的复杂特征,目的是评估和分析植物的生长状况,以寻找更好的品种。近年来,表型学领域出现了一个新的分支,即高通量表型学(HTP)。HTP利用现代数据采样技术收集大量数据,可以用来提高表型学的分析效率,HTP将表型学领域的知识与计算机科学、工程和数据分析技术相结合。机器学习(ML)和深度学习(DL)算法已被成功地与非侵入性成像技术相结合,在自动化、标准化和定量数据分析方面发挥了关键作用。本研究按照PRISMA协议进行,从广泛的论文选择中筛选出了一个有意义的数据集,包括32篇感兴趣的文章。系统回顾HTP的两个主要关注领域:硬件和软件,对于这两个领域,分别确定了两个影响因素。

 

对于硬件,重点分析了平台和传感设备。分析结果突出了地面平台的普及,它们在约47%的回顾方法中被使用,以及RGB传感器被广泛应用,这主要是由于它们的成本低、高兼容性和多功能性。此外,多光谱和高光谱相机可以利用提供更多的光谱信息,例如叶片组织结构和色素,X射线CT可以用于评估果实的内部形态,显微传感器适用于观察叶片的微观特征。

 

对于软件,重点分析了算法和趋势。ML算法有多种,例如K均值聚类、高斯过程回归、随机森林等,用于植物分割、作物估计、特征提取和分析等任务。DL则利用卷积神经网络、U-Net、Mask R-CNN等,实现植物的检测、计数、分割和识别等。此外,文章还比较了机器学习和深度学习的优缺点,发现基DL的算法占了回顾方法的较大比重(约69%)。

 

未来,植物表型研究需要综合考虑硬件和软件的因素,包括平台、传感器、算法和数据处理,开发更高效、更智能、更可扩展的高通量表型平台,以及利用深度学习等先进技术提高数据分析的准确性和速度。具体而言,需要优化平台设计、提高传感器分辨率、增加数据共享和标注、探索多模态数据融合等。

 

图1 本综述中考虑的两个主要类别硬件和软件的示意图,以及具体涉及的四个因素:平台、传感设备、算法和新趋势。蓝色:硬件相关因素;橙色:软件相关因素。所有因素都同样重要,因此,在以绿色为中心描绘的系统审查中,这些因素均匀分布。

 

图2 使用 PRISMA 进行数据库搜索的流程图

 

图3 2019 年至2022年32项总结研究中的主要方法

 

图4 图中表明,19%的研究集中在根系结构上, 75%的研究集中在植物的地上部分,6的研究集中在种子的形态上

 

图5 大多数研究(约47%)使用地面平台,其次是根部平台(22%的研究使用)和空中平台(约19%)。只有6%的审查论文使用了车辆和微观平台

 

图6 大多数研究(约63%)使用 RGB 相机,其次是高光谱和多光谱相机(均为9%)。很少有研究人员使用X射线CT,而大约16%的论文使用其他类型的传感器

 

图7 大多数研究(约69%)使用DL方法,而只有12%的研究基于传统的ML。最后,19%的审查研究使用了涉及ML和DL的混合方法

 

 

来 源

Solimani F, Cardellicchio A, Nitti M, et al. A Systematic Review of Effective Hardware and Software Factors Affecting High-Throughput Plant Phenotyping[J]. Information, 2023, 14(4): 214.

 

编辑

刘昕哲
 
 

扩展阅读

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。