基于無人機的數(shù)字化表型分析助力評估干豆成熟度、植株數(shù)量和植株高度
干豆作為一種重要的糧食作物，在全球營養(yǎng)、可持續(xù)農(nóng)業(yè)、氣候變化緩解、糧食安全中扮演著關鍵角色。為了培育出高產(chǎn)、具有理想農(nóng)藝和品質(zhì)特征、抗病、適宜成熟期的干豆品種，育種項目需要對大量的育種品種進行評估和選擇。傳統(tǒng)的田間植物成熟度、植株密度和作物高度的測量方法依賴于人工跟蹤和測量，這些方法主觀、耗時、勞動強度大且成本高。隨著無人機技術和圖像處理技術的發(fā)展，利用無人機搭載的RGB攝像頭進行高通量表型分析成為了可能。這種方法能夠快速、準確地獲取植物的多種表型特征，為育種者提供了一種加速育種進程、降低成本的新工具。
2024年11月，Plant Phenomics在線發(fā)表了美國Michigan State University題為Drone-Based Digital Phenotyping to Evaluating Relative Maturity, Stand Count, and Plant Height in Dry Beans (Phaseolus vulgaris L.) 的研究論文。
研究利用無人機搭載的RGB攝像頭和深度學習技術對干豆的相對成熟度（RM）、植株數(shù)量（SC）和植株高度（PH）進行數(shù)字化表型分析。研究通過結合卷積神經(jīng)網(wǎng)絡（CNN）和長短期記憶網(wǎng)絡（LSTM）模型，探索了無人機圖像時間序列在評估干豆成熟度方面的應用，并考察了飛行頻率、圖像分辨率和數(shù)據(jù)增強技術對模型性能的影響。
圖1研究中用于相對成熟度（RM）、植株高度（PH）和植株數(shù)量（SC）估算的高通量表型流程的示意圖
首先，研究人員利用無人機圖像時間序列，結合卷積神經(jīng)網(wǎng)絡（CNN）和長短期記憶網(wǎng)絡（LSTM）模型來估算干豆的相對成熟度（圖1)。這種方法能夠?qū)W習圖像的深層特征，并捕捉時間序列數(shù)據(jù)的序列行為，從而預測每個地塊的成熟度。此外，還探討了飛行頻率、圖像分辨率和數(shù)據(jù)增強技術對深度學習模型性能的影響。為了提高模型在特定環(huán)境壓力下的表現(xiàn)，他們還嘗試將生長度日（GDD）數(shù)據(jù)納入模型中。對于早期植株數(shù)量的評估，研究人員評估了Faster RCNN目標檢測算法的有效性。通過這些方法，能夠有效地識別出早期生長階段的干豆植株，并在不同飛行高度下保持準確性和一致性。
圖2 模型在4個評估指標下的性能比較
然后，研究針對兩種干豆品種進行了相對成熟度（RM）、植株數(shù)量（SC）和植株高度（PH）的數(shù)據(jù)收集工作。研究使用DJI Phantom 4 Pro v2無人機在植物生長的不同階段執(zhí)行飛行任務，以收集用于SC分析和RM評估的圖像數(shù)據(jù)。為了最小化陰影對圖像的影響，飛行任務被安排在太陽正午前后的1小時內(nèi)進行。此外，研究人員在田間布置了永久性地面控制點（GCPs），以確保圖像具有精確的地理參照。通過Pix4D Mapper軟件處理這些圖像，生成了正射影像圖和數(shù)字表面模型（DSM），隨后利用QGIS軟件和R軟件創(chuàng)建了地塊邊界的矢量圖形。這些數(shù)據(jù)被用來裁剪出每個地塊的圖像，并與相應的地面真實數(shù)據(jù)結合，用于模型的訓練和驗證過程(圖2)。
最后，研究對所開發(fā)的深度學習模型進行了性能評估，使用平均絕對誤差（MAE）和均方誤差（MSE）來衡量模型在預測RM時的表現(xiàn)，并與傳統(tǒng)的圖像預處理方法進行了比較。結果表明CNN-LSTM模型在多種條件下預測RM的準確性方面優(yōu)于傳統(tǒng)方法。此外，研究還發(fā)現(xiàn)，將GDD數(shù)據(jù)納入模型可以提高特定環(huán)境壓力下的性能。對于SC的估算，F(xiàn)aster R-CNN模型在不同飛行高度下都能有效地識別出早期生長階段的干豆植株，其準確性優(yōu)于傳統(tǒng)方法。這項研究解決了高通量表型分析中的關鍵問題，使育種者能夠做出更精確的決策，降低實驗成本，并加速新品種的推廣。
源代碼鏈接：
https://github.com/msudrybeanbreeding
論文鏈接：
https://doi.org/10.34133/plantphenomics.0278
——推薦閱讀——
High-Throughput Phenotyping of Soybean Biomass: Conventional Trait Estimation and Novel Latent Feature Extraction Using UAV Remote Sensing and Deep Learning Models
https://doi.org/10.34133/plantphenomics.0244
Plant Phenomics | 基于無人機遙感與深度學習模型的大豆生物量高通量表型分析：傳統(tǒng)性狀估算與新型潛在特征提取
IHUP: An Integrated High-Throughput Universal Phenotyping Software Platform to Accelerate Unmanned-Aerial-Vehicle-Based Field Plant Phenotypic Data Extraction and Analysis
https://doi.org/10.34133/plantphenomics.0164
Plant Phenomics | 華中農(nóng)業(yè)大學開發(fā)了基于無人機平臺的大田作物表型數(shù)據(jù)提取和分析平臺
加入作者交流群
掃碼添加小編微信，拉您進入《植物表型組學》作者交流群，群內(nèi)不定期開展作者分享會、�？l(fā)布會等高質(zhì)量活動。
添加小編微信，備注姓名+單位+PP，加入作者交流群
About Plant Phenomics
《植物表型組學》（Plant Phenomics）是由南京農(nóng)業(yè)大學創(chuàng)辦的英文學術期刊，于2019年1月正式上線發(fā)行。采用開放獲取形式，刊載植物表型組學交叉學科熱點領域具有突破性科研進展的原創(chuàng)性研究論文、綜述、數(shù)據(jù)集和觀點。具體范圍涵蓋高通量表型分析的最新技術，基于圖像分析和機器學習的表型分析研究，提取表型信息的新算法，作物栽培、植物育種和農(nóng)業(yè)實踐中的表型組學新應用，與植物表型相結合的分子生物學、植物生理學、統(tǒng)計學、作物模型和其他組學研究，表型組學相關的植物生物學等。期刊已被DOAJ、Scopus、PMC、EI和SCIE等數(shù)據(jù)庫收錄�？祁Ｎò睯CR2023影響因子為7.6，位于農(nóng)藝學一區(qū)（1/125名），植物科學一區(qū)（13/265名），遙感一區(qū)（6/62名）。2023年中科院期刊分區(qū)位于農(nóng)林科學大類一區(qū)。2020年入選中國科技期刊卓越行動計劃高起點新刊項目、2024年入選江蘇科技期刊卓越行動計劃領軍期刊項目、中國科技期刊卓越行動計劃二期英文梯隊期刊。
說明：本文由《植物表型組學》編輯部負責組稿。
中文內(nèi)容僅供參考，一切內(nèi)容以英文原版為準。
撰稿：章?lián)P（南京農(nóng)業(yè)大學）
編輯排版：王平、許怡瑤（上海交通大學）
審核：尹歡、孔敏
