甜菜胞囊线虫是甜菜上为害最严重的有害生物之一，也是造成全球范围内甜菜减产的主要因素。本文提出了一种基于计算机视觉的高通量表型提取方法，可以利用提取的胞囊表型有效量化甜菜胞囊线虫的感染程度和描述胞囊线虫的形态特征。本研究使用高倍相机拍摄土壤样品，然后利用实例分割(Instance segmentation)算法在影像上检测线虫胞囊，最终实现线虫胞囊的快速准确计数。此外，利用影像分析方法还可以进一步描述不同条件下的胞囊密度和形态学特征。本研究提出的方法为高通量表型在农业领域的应用提供了借鉴意义。

　　本研究在有胞囊线虫感染历史的不同甜菜种植区分别采集表层(0-30cm)和底层(31-60cm)土壤样本，经过滤后，使用PhenoAIpert HM高倍相机获取土壤样本的影像(图1)。然后，利用CNN算法对影像进行语义分割，实现像素级的影像分类。分类后的影像均包含两种类别，分别为“胞囊和非胞囊”和“胞囊边界和非背景”。根据分类结果，可以获取“胞囊”和“胞囊边界”的分割结果图，在此基础上，可以进一步获取胞囊的实例分割结果，具体的分割流程如图2所示。利用“胞囊”的影像分割结果，可以计算影像中包含的线虫胞囊数量。实验结果显示，土壤中的有机质残渣容易被错分为线虫胞囊(图3)，会干扰胞囊计数结果。因此，如果土壤中包含有机质残渣，基于影像的胞囊计数结果会大于人工计数结果，清理土壤中的有机质残渣后，基于影像的胞囊计数结果与人工计数结果一致，验证结果如图4所示。利用“胞囊边界”的影像分割结果，可以计算得到胞囊大小作为胞囊的表型信息。实验结果显示，基于影像计算得到的胞囊大小与人工测量的胞囊大小一致(图5(a))，而胞囊大小则可以用来反映处于表层土壤和底层土壤中不同胞囊种群之间的差异(图5(b))。

　　因此，本研究提出了一种基于计算机视觉的甜菜线虫胞囊计数和表型提取方法。其中，根据影像提取出的胞囊大小这一表型信息可以用来反映不同线虫胞囊种群之间的差异。下一步研究将考虑利用胞囊的形状、颜色和纹理等影像信息进一步提取出更多的胞囊表型。

　　图1 使用PhenoAIpert HM高倍相机拍摄土壤样本

　　图2 影像处理流程

　　图3 (a)包含有机质残渣的胞囊分割结果; (b)胞囊和非胞囊残渣

　　图4 基于影像的胞囊计数与人工计数的结果对比

　　图5 (a) 基于影像计算的胞囊大小与人工测量的胞囊大小对比; (b)顶层和底层土壤中的胞囊大小

　　来源：Long Chen, Matthias Daub, Hans-Georg Luigs, et al. High-throughput Phenotyping of Nematode Cysts [J]. arXiv: 2110.07057 [eess.IV].

　　编辑：段博