嚴(yán)佳豪 ， 彭辰晨 ， 陳超凡 ， 沈新航 ， 焦 祥

（1.無錫職業(yè)技術(shù)學(xué)院，江蘇 無錫 214121；2.江蘇大學(xué)無錫機(jī)電學(xué)院，江蘇 無錫 214121）

0 引言

農(nóng)林植物表型是指特定情況下其所表現(xiàn)出來的可觀察結(jié)構(gòu)（包括生長(zhǎng)、發(fā)育、耐性、抗性、生理、結(jié)構(gòu)和產(chǎn)量等）、功能形態(tài)特征及其變化規(guī)律。植物表型相關(guān)研究在糧食安全、環(huán)境可持續(xù)發(fā)展等方面具有重要意義，在指導(dǎo)施肥和噴藥、雜草識(shí)別、產(chǎn)量預(yù)測(cè)和病蟲害檢測(cè)等方面發(fā)揮著重要的作用。

傳統(tǒng)的植物表型測(cè)量方法受人主觀性因素的制約，導(dǎo)致測(cè)量性狀少、樣本量少等問題。同時(shí)，傳統(tǒng)的植物表型檢測(cè)多為人工測(cè)量，存在著效率低、主觀性嚴(yán)重、測(cè)量誤差大、對(duì)單一植物進(jìn)行重復(fù)測(cè)量時(shí)植物適應(yīng)性差等問題，難以滿足現(xiàn)代化農(nóng)業(yè)的要求。相比于人工檢測(cè)，基于機(jī)器視覺的植物表型檢測(cè)可對(duì)植物進(jìn)行非接觸式、非破壞式、全周期的跟蹤檢測(cè)。

鑒于目前國(guó)內(nèi)外較為廣泛地開展了基于機(jī)器視覺的農(nóng)林植物表型檢測(cè)技術(shù)研究，但大田復(fù)雜環(huán)境下農(nóng)林植物表型視覺檢測(cè)技術(shù)研究相對(duì)較少，本文擬在分析植物表型研究必要性的基礎(chǔ)上，系統(tǒng)綜述國(guó)內(nèi)外開展的植物表型檢測(cè)技術(shù)研究，探討分析基于機(jī)器視覺的大田復(fù)雜環(huán)境下植物表型檢測(cè)技術(shù)，以期促進(jìn)農(nóng)林植保的智能化。

1 植物表型研究現(xiàn)狀

近年來，國(guó)內(nèi)外農(nóng)林植物表型研究飛速發(fā)展，其理論與實(shí)踐成果廣泛應(yīng)用于農(nóng)林業(yè)生產(chǎn)實(shí)踐，從采集農(nóng)林植物生長(zhǎng)圖像、分析農(nóng)林植物表型性狀等形態(tài)結(jié)構(gòu)參數(shù)，到建立農(nóng)林植物3D模型、虛擬農(nóng)林植物生長(zhǎng)過程，對(duì)于預(yù)測(cè)農(nóng)林植物作物產(chǎn)量、預(yù)防病蟲害和培育理想株型都具有重要的指導(dǎo)意義；同時(shí)，數(shù)據(jù)平臺(tái)和大數(shù)據(jù)為植物表型研究提供了一個(gè)共享數(shù)據(jù)平臺(tái)，極大地促進(jìn)了植物表型組學(xué)的發(fā)展。國(guó)外農(nóng)林植物表型檢測(cè)技術(shù)研究起步較早，并取得了大量研究成果。國(guó)內(nèi)相關(guān)研究正處于快速發(fā)展時(shí)期，逐步形成了符合我國(guó)農(nóng)林業(yè)生產(chǎn)實(shí)踐的研究模式和體系。

Paproki等[1]運(yùn)用3DSOM重建植物三維模型，并使用一種新的混合網(wǎng)格分割算法進(jìn)行分割，準(zhǔn)確、高效地獲取植株株型信息。Honsdorf等[2]通過高通量表型平臺(tái)Scanalyzer3D，在一組野生大麥滲入系中分別鑒定出了44個(gè)和21個(gè)干旱脅迫QTLs。Yano等[3]對(duì)大量水稻表型性狀數(shù)據(jù)進(jìn)行主成分分析，提取具有特定表型性狀的主成分，并將主成分得分與GWAS結(jié)合起來，鑒定出能夠激活赤霉素（GA）信號(hào)的 SPINDLY（OsSPY基因，并證實(shí)了GA信號(hào)對(duì)水稻結(jié)構(gòu)調(diào)控的影響。Ibanez等[4]研究了環(huán)境溫度和基因型對(duì)擬南芥發(fā)育和表型可塑性的影響，提供了環(huán)境溫度對(duì)擬南芥整個(gè)生長(zhǎng)周期內(nèi)表型變化的圖譜，揭示了不同品系擬南芥的表型形狀受溫度影響的差異不大。袁培森等[5]根據(jù)植物本體論提出一種對(duì)水稻表型組學(xué)關(guān)系分類的方法，構(gòu)建BERT模型并與其他學(xué)者構(gòu)建的模型進(jìn)行對(duì)比分析，精確率、召回率均達(dá)到了95%以上。董鈉等[6]運(yùn)用相關(guān)性、主成分和聚類分析等方法，收集了秋植酢漿草屬種質(zhì)資源樣本的多個(gè)質(zhì)量性狀和數(shù)量性狀進(jìn)行觀測(cè)，發(fā)現(xiàn)數(shù)量性狀的多樣性大于質(zhì)量性狀，為酢漿草屬資源的高效利用、種質(zhì)創(chuàng)新、親本選擇、品種改良打下基礎(chǔ)。劉守陽(yáng)等[7]利用數(shù)字化植物表型平臺(tái)（D3P）研究不同品種小麥生育期的冠層變化，開展了虛擬激光雷達(dá)（LiDAR）模擬實(shí)驗(yàn)，結(jié)果表明FIPARdif和GAI的估算均獲得了滿意精度，對(duì)提高作物改良效率具有重要意義。

2 機(jī)器視覺在植物表型研究中的應(yīng)用現(xiàn)狀

隨著計(jì)算機(jī)信息采集與圖像處理技術(shù)的高速發(fā)展，機(jī)器視覺技術(shù)以其精準(zhǔn)、高效的特點(diǎn)而被廣泛應(yīng)用，加之精確農(nóng)林業(yè)、智慧農(nóng)林發(fā)展的需要，機(jī)器視覺技術(shù)被應(yīng)用于農(nóng)林業(yè)生產(chǎn)實(shí)踐的各個(gè)環(huán)節(jié)，尤其是植物表型研究。與傳統(tǒng)人工檢測(cè)植物表型相比，機(jī)器視覺技術(shù)能夠更加精準(zhǔn)地對(duì)植物表型數(shù)據(jù)進(jìn)行采集、統(tǒng)計(jì)、識(shí)別和控制。

Hang Lu等[8]開發(fā)了一個(gè)全自動(dòng)玉米幼苗表型分析平臺(tái)，能夠生成三維重建并輸出玉米幼苗葉片數(shù)、葉長(zhǎng)、莖高等形態(tài)性狀。Arman Arefi 等[9]利用機(jī)器視覺檢測(cè)成熟番茄果實(shí)并進(jìn)行定位，引入了HIS 和YIQ模型綜合分析的方法，試驗(yàn)表明圖像處理速度以及對(duì)光強(qiáng)的適應(yīng)性都有實(shí)用價(jià)值。Fetter等[10]提出了一種使用深卷積神經(jīng)網(wǎng)絡(luò)的自動(dòng)氣孔計(jì)數(shù)系統(tǒng)StomataCounter來識(shí)別和統(tǒng)計(jì)顯微圖像中的氣孔，結(jié)果表明該系統(tǒng)對(duì)銀杏顯微照片的識(shí)別準(zhǔn)確率達(dá)到98.1%，而且模型在未經(jīng)訓(xùn)練的其他植物氣孔圖像應(yīng)用識(shí)別精度達(dá)到了94.2%，為植物微觀表型智能化研究提供了范例。黨滿意等[11]利用機(jī)器視覺快速識(shí)別馬鈴薯晚疫病患病情況，為基于機(jī)器視覺的馬鈴薯晚疫病的快速檢測(cè)提供理論依據(jù)。蔣豐千等[12]提出了一種基于卷積神經(jīng)網(wǎng)絡(luò)的生姜病害識(shí)別系統(tǒng)，對(duì)炭疽病、姜瘟病、根結(jié)線蟲病和白星病進(jìn)行研究分析，結(jié)果表明系統(tǒng)的識(shí)別率達(dá)到了96%，較好地預(yù)測(cè)和識(shí)別生姜相關(guān)病害。劉媛等[13]根據(jù)葡萄病害葉片圖像特點(diǎn)，運(yùn)用機(jī)器視覺技術(shù)研究葡萄病害識(shí)別方法，為實(shí)現(xiàn)葡萄病害的快速自動(dòng)識(shí)別提供了方法和依據(jù)。張晗等[14]建立圖像特征與種子活力相關(guān)模型并進(jìn)行分級(jí)驗(yàn)證，為通過種子圖像信息判斷其活力提供方法參考。

3 結(jié)束語(yǔ)

本文系統(tǒng)地綜述了機(jī)器視覺在植物表型研究中的應(yīng)用現(xiàn)狀。現(xiàn)階段機(jī)器視覺主要應(yīng)用于室內(nèi)植物表型平臺(tái)，利用圖像傳感器在可控條件下采集各類植物表型數(shù)據(jù)，并通過計(jì)算機(jī)圖像和人工智能等分析方法，為植物株型改良、植物保護(hù)等研究提供基礎(chǔ)數(shù)據(jù)。由于大田環(huán)境存在諸多不確定性及多變性，如光照、大田背景等因素，均會(huì)影響機(jī)器視覺算法分析植物表型參數(shù)的準(zhǔn)確性和效率。因此，如何有效地將機(jī)器視覺技術(shù)應(yīng)用于環(huán)境等因素不可控的大田試驗(yàn)及生產(chǎn)實(shí)踐乃是今后的研究重點(diǎn)。