基于机器学习的高分辨率作物三维重建及表型指数自动分析


发布时间:

2021-11-07

来源:

本站

作者:

PhenoTrait

  除了使用二维图像以外,三维图像对于作物表型的分析也是至关重要的。在本研究中,我们创建了一个系统,实现了红辣椒的三维图像重建与自动分析。在本系统中,我们采用带有深度传感器的Kinect 2和具有高分辨率的RGB摄像头来获取精确的重建三维图像,将重建的三维图像与传统的重建图像进行了比较,并对重建图像的数据进行了分析,以了解其直接测量的特征和精度,如叶数、宽度和株高。在自动分析方面,应用了几种图像提取和分割的算法。结果表明,所提出的方法在重建和分析作物三维图像时的误差约为5毫米,适用于作物表型分析。通过三维重建方法获得的图像和分析算法有望用于各种图像处理研究。

 

  图1 获取作物不同角度图像的实验环境

 

  图2 作物植株和叶片测试方法:(A)植株,(B)叶片

 

  图3 图像采集、三维重建和数据分析的流程图

 

  图4 三维图像获取和分析算法流程图

 

  图5三维重建结果。(A)Kinect融合图像,(B)Kinect低分辨率彩色图像,(C)高分辨率RGB图像

 

  图6叶子位置平均误差:(A)叶长和(B)叶宽

 

  图7 叶子相对面积平均误差:(A)叶长和(B)叶宽

 

  图8 叶子面积平均误差:(A)叶长和(B)叶宽

 

  图9 通过几种算法的结合,三维提取结果。(A)k-means聚类(k=4);(B)ExG+k-means聚类;(C)ExG+Otsu

  阈值

 

  图10 坐标准换。(A)原始三维图像;(B)在三维图像上进行的PCA图像;(C)通过欧拉角转换实现坐标系统的标准化。

 

  图11 采用聚类算法进行叶子分割的结果

 

  图12 三维点云划分。(A)叶子;(B)茎、节间和节点;(C)未能分割的元素

 

  图13 自动测量转换算法的应用。(A)叶子的原始点云,(B)经过坐标转换的叶子的点云

 

  图14 分段式叶片长度和宽度的自动测量

 

  图15自动测量的叶长与地面真实数据的比较。(A)手动测量和(B)分割和自动测量。

 

  图16自动测量的叶宽与地面真实数据的比较。(A)手动测量和(B)分割和自动测量。

 

  来源:Yang M, Cho S I. High-Resolution 3D Crop Reconstruction and Automatic Analysis of Phenotyping Index Using Machine Learning[J]. Agriculture, 2021, 11(10): 1010.

  https://doi.org/10.3390/agriculture11101010

 

  编辑:小王博士在努力

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。