受疫情影響，上周舉行的美國植物表型會議Phenome 2020并沒有來自中國大陸的代表。Phenome會議歷來是國際植物表型圈最棒的會議之一，為了更好的與國內植物表型圈同仁分享會議進展，我們邀請到幾位海外華人代表談一下他們的參會感想。今天來分享的是愛荷華州立大學的蓋倞堯博士。

美國植物表型會議Phenome是美國表型組學的頂級會議，由北美植物表型網(wǎng)絡NAPPN，美國植物生物學協(xié)會ASPB，以及國際植物表型網(wǎng)絡IPPN共同舉辦。
 

Phenome聚焦于解決植物表型學數(shù)據(jù)測量、數(shù)據(jù)處理、生物建模等問題，提供了一個跨界、跨專業(yè)的高層次交流平臺。本次會議注冊者約270人（數(shù)據(jù)來自注冊處工作人員），來自學術界以及工業(yè)界，專業(yè)涵蓋植物學、生物學、統(tǒng)計、計算機、工程等各個方向。各行各業(yè)的專家學者們在這里互相交流自己的研究和想法，以尋求合作、激發(fā)新的靈感、以及展望學科的未來。
 

這是我第一次參加Phenome。我是一名農業(yè)工程方向的博士生，主要的研究方向是機器人在農業(yè)方向的應用，近兩年才參與到表型測量機器人的研發(fā)中。這次我們實驗室四個人駕車從美國中部的Iowa出發(fā)，帶著我們組研發(fā)的自動表型測量機器人PhenoBot3.0，一路向西開了三天，穿過大山和荒漠，到達Arizona。會場在寬敞明亮的Tucson Convention Center，主會場只有一個，用于所有的演講talks，主會場外的走廊以及大廳用來放置海報posters以及展覽exhibitions。鑒于我的專業(yè)以及背景，我比較關注的研究是關于數(shù)據(jù)的采集以及（圖像）處理方向，以下是我關于本次會議的幾點感想：
 

機器視覺是高通量表型測量的最熱選擇
 

因為其非接觸、采集速度快的特性，基于機器視覺的表型測量是當下的研究熱點。該類方法通過圖像處理的方式，從圖像中提取結構、材質等特征，進而提取出植物的形態(tài)、病理等表型數(shù)據(jù)。本次大會中的研究大多以植物的圖像作為原始數(shù)據(jù)。圖像數(shù)據(jù)形式多種多樣，在這次會議中出現(xiàn)的圖像形式有：RGB彩色圖像、多光譜圖像、高光譜圖像，以及由雙目視覺、X光、核磁共振（MRI）等重建出的三維點云等。其中多光譜以及高光譜出現(xiàn)的最多，用于疾病監(jiān)測、干旱脅迫等研究，某種程度上表現(xiàn)了當前植物學的研究空白與趨勢。RGB圖像以及三維點云多用作植物的形態(tài)表型測量，例如根系（by Dr. Camilo Valdes, Florida International University）、花序（by Dr. Mao Li, Donald Danforth Plant Science Center）、玉米莖桿（by Lirong Xiang, Iowa State University）、玉米穗（by Cedar Warman, Oregon State University）等。也有一些研究采用非主流的傳感器，例如使用探地雷達測量根系體積（by Dr. Ursula Ruiz-Vera, University of Illinois）、使用激光陣列計算玉米根數(shù)（by Dr. Lie Tang, Iowa State University）。
 

表型測量平臺、傳感器百花齊放
 

高通量、高質量表型測量平臺以及傳感器的研發(fā)一直是植物表型組學的研究熱點。該類平臺以及傳感器旨在為后續(xù)表型分析提供大量、高質量的植物信息。表型測量平臺可分為室內、室外兩大類，室內平臺有環(huán)境可控的大型設施Controlled Environment Phenotyping Facility (CEPF)（from Purdue University），更多的是小型的，比如用于根系測量的（by Dr. Larry York, Noble Research Institute）, 以及多光譜圖像采集的Pathoviewer（from Ghent University）。
 

Controlled Environment Phenotyping Facility (CEPF)，普渡大學（Purdue University）圖像來源：https://ag.purdue.edu/plantsciences/greenhouse-conveyer-belt-could-advance-food-production-address-looming-global-food-crisis/
 

 
Pathoviewer，根特大學（Ghent University），圖像來源：https:///watch?v=sr7mWssVtFg

室外測量平臺以無人機平臺為主。無人機平臺因其高效，快速、易操作的特點而廣受歡迎。該類平臺可搭載激光雷達、彩色相機、多光譜相機等傳感器，主要用于田內作物高度分析、產量估計、光譜分析等。另一類測量平臺為地面機器人平臺，用于近距離采集圖像，或采集無法使用空中平臺觀測到的特征信息。例如由我們湯烈教授課題組（Dr. Lie Tang’s lab, Iowa State University）研發(fā)的自主機器人PhenoBot 3.0，可在標準30英寸間距的玉米行間自主導航，并通過安裝在自平衡桿上的多組帶閃光燈的雙目視覺相機，從側面拍攝玉米在各高度的形態(tài)表型。另外一個例子是亞利桑那州的大型室外表型測量設施，使用安裝在龍門架上的多種傳感器（彩色、高光譜、三維等）采集植物信息。
 

PhenoBot 3.0，愛荷華州立大學湯烈教授團隊（Dr. Lie Tang’s lab, Iowa State University）

德州農工（Texas A&M University）以及亞利桑那大學（University of Arizona）探究了使用地面機器人作為控制點（robotic ground control point），以提供無人機航拍圖像一個位置參考以及光譜相機的亮度標定參考，進而提高數(shù)據(jù)的精度。我認為這是一個很有前景的研究方向，以后空中以及地面平臺應該結合成一個系統(tǒng)，發(fā)揮各自在表型測量上的優(yōu)點并彌補各自的短處，以提高系統(tǒng)在表型測量以及農業(yè)生產上的效率。
 

傳感器方面，對于室內表型測量，可選傳感器很多。但對于田間表型測量，因環(huán)境不可控，可選傳感器并不多。本次在演講以及展覽中出現(xiàn)了一些新的傳感器，其中用于室內的多以提高通量、質量為主。用于室外的多以提高在復雜環(huán)境下的質量為主，比如我們課題組的PhenoStereo（by Lirong Xiang, Iowa State University）使用雙目視覺配合閃光燈以保證在不同光照條件下的三維點云重建質量。在用于高粱莖稈半徑的自動測量中達到了毫米級的測量精度。

PhenoStereo 帶閃光燈的近程雙目視覺相機，愛荷華州立大學湯烈教授團隊（Dr. Lie Tang’s lab, Iowa State University）

深度學習潛力仍待開發(fā)

近幾年大熱的深度學習無疑為植物表型數(shù)據(jù)處理提供了新的方法，在這次會議上可見一斑。深度學習主要被用于植物圖像處理的多種方面，例如病蟲害監(jiān)測（by Dr. Yu Jiang, Connell University），圖像分割預處理（by Michael Nagle, Oregon State University），作物目標檢測跟蹤（by Le Wang, Iowa State University）等。但是深度學習的一個缺點是需要大量人工標定的訓練數(shù)據(jù)支持。一些研究旨在探究如何減少人工標定工作量，比如使用自動生成的標定數(shù)據(jù)（by Dr. Michael Beck, University of Winnipeg），使用主動學習（by Koushik Nagasubramanian, Iowa State University）等。而且深度學習在處理大數(shù)據(jù)（不僅限于圖像）上的潛力值得開發(fā)。

根系表型測量，圖像采集與處理方法需要突破

根系對植物的重要性毋庸置疑，會議中有大量關于根系的植物學研究。但根系的表型數(shù)據(jù)采集與分析仍是一大難題�，F(xiàn)階段大多數(shù)采集根系圖像的方法需要將植物挖出土壤并清理，然后使用相機、掃描儀等采集根系的二位投影圖，或者使用X光、MRI等生成三維模型。該類方法在挖取過程中可能會損傷根部，很耗時，且無法保持根毛（Root hair）的完整性。愛荷華州立大學研發(fā)的透明土Transparent soil（by Ashley Paulsen, Iowa State University）提供了一個新的解決思路。深度學習在三維根系模型處理方面仍有很大研究空間。

以上是我對會議內容的幾點感想。我很高興這次能來參會，在會上認識了很多大牛和朋友，很有幸地給大家展示了我們的工作和成果，收獲了很多肯定與建議，也讓我對表型組學這個方向有了更深刻的了解。很遺憾明年的Phenome沒有了，那就希望在ASABE年會上能看到更多關于表型的研究吧。
 

蓋倞堯，本科畢業(yè)于中國科學技術大學，現(xiàn)于愛荷華州立大學農業(yè)生物系統(tǒng)工程系湯烈教授課題組攻讀博士學位（2016-2020）。研究方向主要為人工智能和機器人技術在農業(yè)中的應用，在農業(yè)機器人系統(tǒng)研發(fā)、機器視覺、自動導航、植物表型測量等方面有豐富的科研經驗。主要研究成果有基于機器視覺的面向有機綠色農業(yè)的智能除草機器人，及用于田間玉米表型測量的自主地面機器人（PhenoBot 3.0）。

擴展閱讀：

海外華人談Phenome 2020之愛荷華州立大學鄭子豪

海外華人談Phenome 2020之Danforth Center李茂

海外華人談Phenome 2020之普度大學楊揚

國際植物表型網(wǎng)絡IPPN介紹和入會指南

植物表型資訊兩周年目錄匯總

植物表型資訊2019年1-12月目錄匯總

植物表型資訊2020年1-2月目錄匯總