楊文慶，劉天霞，唐興萍，徐國(guó)富，馬 喆，楊賀凱，吳文斗

（1. 云南農(nóng)業(yè)大學(xué) 大數(shù)據(jù)學(xué)院，云南 昆明 650201；2. 云南農(nóng)業(yè)大學(xué) 食品科學(xué)技術(shù)學(xué)院，云南 昆明 650201；3. 云南農(nóng)業(yè)大學(xué) 機(jī)電工程學(xué)院，云南 昆明 650201）

人口快速增長(zhǎng)、氣候變化以及環(huán)境問(wèn)題等因素使得糧食增長(zhǎng)速率嚴(yán)重落后于人口增長(zhǎng)速率。中國(guó)人均耕地少，糧食產(chǎn)量對(duì)人民生活水平、國(guó)民經(jīng)濟(jì)發(fā)展和國(guó)家糧食安全尤為重要，亟需依靠現(xiàn)代科技推動(dòng)農(nóng)業(yè)生產(chǎn)發(fā)展。植物表型是指能夠反映植物細(xì)胞、組織、器官、植株和群體結(jié)構(gòu)及功能特征的物理、生理和生化性狀，其本質(zhì)是植物基因圖譜的三維表達(dá)及地域分異特征和代際演進(jìn)規(guī)律[1]。表型組學(xué)是研究生物個(gè)體或群體在特定條件下所表現(xiàn)出可觀察的形態(tài)特征及其變化規(guī)律的學(xué)科[2]，植物表型組學(xué)是進(jìn)一步探索基因型—表型—環(huán)境內(nèi)在關(guān)聯(lián)的關(guān)鍵技術(shù)[3]，為基因組功能分析、分子育種以及農(nóng)業(yè)生產(chǎn)精準(zhǔn)管理提供了技術(shù)支撐。

1911 年，丹麥遺傳學(xué)家JOHANNSEN 首次提出了生物學(xué)上的表型（Phenotype）概念，他定義表型為可以通過(guò)直接觀察或測(cè)量得到的進(jìn)行描述區(qū)分的生物屬性[4]。隨著基因測(cè)序技術(shù)的發(fā)展，越來(lái)越多的作物已經(jīng)完成了基因組測(cè)序工作。由于植物表型本身的復(fù)雜性及其動(dòng)態(tài)變化，導(dǎo)致植物表型研究落后于基因型研究[5]。1996 年，GARAN 在滑鐵盧大學(xué)的一次演講中首次提出表型組學(xué)（Phenomics）的概念[6]。相較于傳統(tǒng)單株單性狀的表型檢測(cè)，植物表型組學(xué)檢測(cè)有數(shù)據(jù)量大，數(shù)據(jù)采集快速、準(zhǔn)確，可以將一個(gè)性狀分割成多個(gè)性狀來(lái)檢測(cè)等特點(diǎn)，為高通量、快速、系統(tǒng)地研究基因組和表型組提供了可能[7]。

發(fā)展智慧農(nóng)業(yè)是“十四五”時(shí)期乃至2035 年我國(guó)農(nóng)業(yè)高質(zhì)量發(fā)展的重要內(nèi)容[8]。智慧農(nóng)業(yè)是數(shù)字經(jīng)濟(jì)的組成部分，是指將物聯(lián)網(wǎng)、大數(shù)據(jù)、人工智能、云計(jì)算、區(qū)塊鏈等現(xiàn)代信息技術(shù)應(yīng)用于農(nóng)業(yè)生產(chǎn)中，促進(jìn)農(nóng)業(yè)向現(xiàn)代化、智慧化、標(biāo)準(zhǔn)化、綠色化、數(shù)據(jù)化發(fā)展，使農(nóng)業(yè)生產(chǎn)環(huán)節(jié)按照需求實(shí)現(xiàn)閉環(huán)可控，向?qū)θ祟愑欣淖顑?yōu)化方向發(fā)展[9]。植物表型組學(xué)是發(fā)展智慧農(nóng)業(yè)的重要技術(shù)之一，對(duì)農(nóng)業(yè)生產(chǎn)過(guò)程精準(zhǔn)管理、智慧育種、脅迫研究等有重大意義。在發(fā)展智慧農(nóng)業(yè)的背景下，植物表型數(shù)據(jù)量龐大，且對(duì)表型數(shù)據(jù)獲取的準(zhǔn)確性、實(shí)時(shí)性和全面性的要求不斷提高。僅依靠人工檢測(cè)和分析的傳統(tǒng)植物表型研究無(wú)法大規(guī)模、高精度地獲取和分析植物表型數(shù)據(jù)，已不能滿足農(nóng)業(yè)現(xiàn)代化發(fā)展的需求。在物聯(lián)網(wǎng)、人工智能等現(xiàn)代信息技術(shù)快速發(fā)展的今天，植物表型組學(xué)也將與新一代傳感器技術(shù)以及數(shù)據(jù)處理技術(shù)深度融合，高通量、高精度、全自動(dòng)獲取和分析植物表型數(shù)據(jù)是未來(lái)植物表型研究的熱點(diǎn)。高光譜成像、激光雷達(dá)成像、核磁共振成像等數(shù)據(jù)采集技術(shù)以及以深度學(xué)習(xí)為代表的人工智能技術(shù)已廣泛應(yīng)用于植物表型研究中，為高通量、高精度、全自動(dòng)獲取和分析植物表型數(shù)據(jù)奠定了基礎(chǔ)。國(guó)內(nèi)外在植物表型研究平臺(tái)的開發(fā)中也取得了大量成就。近年來(lái)，隨著生物學(xué)、信息技術(shù)和數(shù)據(jù)處理技術(shù)的發(fā)展，表型組學(xué)研究迎來(lái)了發(fā)展契機(jī)[10]。第一，高通量和非破壞性的實(shí)時(shí)成像技術(shù)、光譜技術(shù)、圖像分析系統(tǒng)、機(jī)器人表型分析手段逐漸成熟；第二，能夠?qū)崿F(xiàn)對(duì)生物體的整個(gè)生長(zhǎng)周期實(shí)時(shí)監(jiān)測(cè)；第三，隨著人工智能、云計(jì)算、統(tǒng)計(jì)學(xué)和生物學(xué)以及基因組、蛋白質(zhì)組和轉(zhuǎn)錄組等組學(xué)的發(fā)展，使得處理植物表型大數(shù)據(jù)的能力越來(lái)越強(qiáng)。未來(lái)植物表型組學(xué)研究將向多學(xué)科深度融合的方向發(fā)展。

通過(guò)大量文獻(xiàn)閱讀，結(jié)合自身研究方向和理解，對(duì)植物表型研究發(fā)展現(xiàn)狀進(jìn)行了總結(jié)。首先，總結(jié)了常用的植物表型采集技術(shù)、植物表型數(shù)據(jù)處理技術(shù)以及這些技術(shù)的未來(lái)發(fā)展趨勢(shì)，并概述了國(guó)內(nèi)外植物表型組學(xué)研究平臺(tái)的建設(shè)情況。其次，介紹了植物表型組學(xué)在智慧農(nóng)業(yè)發(fā)展中的應(yīng)用，并分析了植物表型組學(xué)在各應(yīng)用中的現(xiàn)狀及其面臨的挑戰(zhàn)。最后，對(duì)植物表型組學(xué)的未來(lái)發(fā)展進(jìn)行展望。

1 植物表型組學(xué)研究現(xiàn)狀

1.1 植物表型數(shù)據(jù)獲取

當(dāng)前已有大量圖像采集技術(shù)用于獲取植物表型信息，對(duì)植物的物理、生理、生化等信息進(jìn)行成像[11]。圖像采集技術(shù)按照?qǐng)D像的性質(zhì)可分為二維成像技術(shù)和三維成像技術(shù)[12]，不同的圖像采集技術(shù)可以采集不同的表型參數(shù)，在實(shí)踐中需要考慮應(yīng)用場(chǎng)景及成本等因素來(lái)選擇合適的成像技術(shù)。表1列舉了常用的成像技術(shù)及其主要獲取的參數(shù)[13]。

表1 常用的植物表型成像技術(shù)Tab.1 Common used plant phenotype imaging techniques

可見(jiàn)光成像、熒光成像、紅外成像以及高光譜成像等二維成像技術(shù)都是采集植物表型數(shù)據(jù)的重要技術(shù)，被廣泛應(yīng)用于農(nóng)業(yè)生產(chǎn)中。但是，采用某單一成像技術(shù)采集表型數(shù)據(jù)，獲取的數(shù)據(jù)單一，不能滿足高通量、高精度的表型研究需求。集成多種成像技術(shù)的設(shè)備能夠在一定程度上解決表型數(shù)據(jù)單一、數(shù)據(jù)量不足的問(wèn)題。近年來(lái)，三維成像技術(shù)進(jìn)入人們的視野中，激光雷達(dá)成像技術(shù)、CT 成像技術(shù)以及核磁共振技術(shù)等已大量用于植物表型組學(xué)研究中，三維成像技術(shù)能夠獲得更豐富的表型數(shù)據(jù)。隨著技術(shù)的進(jìn)步和設(shè)備逐漸成熟，三維成像技術(shù)的應(yīng)用將會(huì)越來(lái)越廣泛。

當(dāng)前植物表型數(shù)據(jù)獲取的研究重點(diǎn)是構(gòu)建表型基礎(chǔ)設(shè)施，研發(fā)便攜式低成本的表型獲取裝置，進(jìn)一步提高表型數(shù)據(jù)獲取的通量、分辨率和自動(dòng)化程度[1]。數(shù)據(jù)采集設(shè)備可搭載傳送帶、無(wú)人機(jī)、車載平臺(tái)以及自走式平臺(tái)等多種平臺(tái)。植物表型采集平臺(tái)主要包括田間型和溫室型2 種，田間作物位置固定，一般通過(guò)移動(dòng)傳感器的方式獲取表型信息，常用的平臺(tái)包括車載式平臺(tái)、自走式平臺(tái)、無(wú)人機(jī)平臺(tái)以及飛機(jī)、衛(wèi)星等。傳送帶平臺(tái)和軌道式平臺(tái)是比較常見(jiàn)的溫室表型采集平臺(tái)，傳送帶平臺(tái)通過(guò)傳送帶將作物傳送到成像區(qū)域成像，軌道式平臺(tái)通過(guò)移動(dòng)傳感器實(shí)現(xiàn)在作物原位置上采集表型數(shù)據(jù)。表2 是典型的表型信息采集平臺(tái)，在具體實(shí)踐中可根據(jù)檢測(cè)環(huán)境、檢測(cè)對(duì)象特征以及成本等來(lái)選擇平臺(tái)。

表2 常見(jiàn)植物表型信息采集平臺(tái)Tab.2 Common used plant phenotype information collection platforms

續(xù)表2 常見(jiàn)植物表型信息采集平臺(tái)Tab.2（Continued） Common used plant phenotype information collection platforms

隨著無(wú)人機(jī)技術(shù)的逐漸成熟、遠(yuǎn)近程傳感設(shè)備性能的提升，基于無(wú)人機(jī)的植物表型采集技術(shù)迅速發(fā)展，無(wú)人機(jī)平臺(tái)在田間和室內(nèi)均適用，能夠在短時(shí)間內(nèi)采集大面積作物的表型數(shù)據(jù)。但是，目前多數(shù)無(wú)人機(jī)平臺(tái)不能實(shí)現(xiàn)數(shù)據(jù)的實(shí)時(shí)分析，數(shù)據(jù)處理能力亟待提高。隨著傳感器技術(shù)的發(fā)展，高分辨率的傳感器質(zhì)量遠(yuǎn)超過(guò)小型無(wú)人機(jī)所能負(fù)擔(dān)的質(zhì)量，為了更全面、更深入地獲取植物表型信息，衛(wèi)星、飛機(jī)等飛行設(shè)備陸續(xù)投入使用，航空表型技術(shù)進(jìn)一步發(fā)展[35]。航空表型采集技術(shù)測(cè)量范圍廣、速度快，能夠滿足高精度、高通量的需求。但是航空表型技術(shù)對(duì)天氣條件要求較高，在大風(fēng)、大雨等惡劣天氣情況下，不能正常工作。

1.2 植物表型數(shù)據(jù)處理與解析

植物表型數(shù)據(jù)解析是指從采集到的圖像數(shù)據(jù)中提取出有意義的生物學(xué)信息。目前，植物表型數(shù)據(jù)解析研究的重點(diǎn)是增加可觀測(cè)、可量化、具有明確生物學(xué)意義的植物表型性狀數(shù)量，提高定量化植物表型解析的精度和效率，并針對(duì)不同植物的形態(tài)結(jié)構(gòu)和生理生態(tài)功能研發(fā)相關(guān)算法[1]。比較常見(jiàn)的植物表型數(shù)據(jù)處理技術(shù)有機(jī)器視覺(jué)、三維重建、機(jī)器學(xué)習(xí)以及深度學(xué)習(xí)等，表3 列出了常見(jiàn)的表型數(shù)據(jù)分析技術(shù)以及相關(guān)的應(yīng)用案例。

表3 常用植物表型數(shù)據(jù)分析技術(shù)Tab.3 Common used plant phenotype data analysis techniques

植物表型數(shù)據(jù)分析技術(shù)的發(fā)展促進(jìn)了植物表型組學(xué)研究的進(jìn)展，解決了傳統(tǒng)人工分析表型數(shù)據(jù)費(fèi)時(shí)費(fèi)力、受主觀經(jīng)驗(yàn)影響等問(wèn)題。隨著表型采集技術(shù)的發(fā)展，表型數(shù)據(jù)急劇增長(zhǎng)且數(shù)據(jù)類型多樣，傳統(tǒng)的圖像分析技術(shù)難以從海量表型數(shù)據(jù)中萃取出有價(jià)值的信息。此外，由于田間環(huán)境復(fù)雜，易受光照差異以及遮擋物陰影等因素的干擾，部分植物表型圖像處理與分析技術(shù)存在特征設(shè)計(jì)困難、面向復(fù)雜任務(wù)有局限性等弊端。例如機(jī)器視覺(jué)技術(shù)在處理表型圖像時(shí)，難以解決相鄰葉片、穗和果實(shí)造成的重疊、遮擋等問(wèn)題[48]。針對(duì)海量數(shù)據(jù)以及表型圖像復(fù)雜的問(wèn)題，以深度學(xué)習(xí)為代表的人工智能技術(shù)憑借著強(qiáng)大的特征提取能力和建模能力給出解決思路，以卷積神經(jīng)網(wǎng)絡(luò)、轉(zhuǎn)移學(xué)習(xí)等算法為基礎(chǔ)研發(fā)的算法成為表型數(shù)據(jù)分析的主要研究方向。深度學(xué)習(xí)技術(shù)已廣泛應(yīng)用于植物表型研究中，并取得了大量成就，例如基于深度學(xué)習(xí)的植物葉片分割[49]、養(yǎng)分監(jiān)測(cè)、脅迫分析、植物識(shí)別以及產(chǎn)量預(yù)測(cè)等。然而，深度學(xué)習(xí)的潛力要在海量數(shù)據(jù)集中才能被激發(fā)出來(lái)，數(shù)據(jù)量較小時(shí)普通的機(jī)器學(xué)習(xí)即可滿足需求，因此，在實(shí)踐中需要考慮研究對(duì)象的特征和數(shù)據(jù)量來(lái)選擇合適的算法。

為補(bǔ)償二維圖像信息的不足和實(shí)現(xiàn)不同環(huán)境下無(wú)損地獲取表型信息，研究者們開始關(guān)注三維重建技術(shù)[50]。三維重建技術(shù)是精確描述作物形態(tài)全信息結(jié)構(gòu)的重要工具[51]，是植物表型組學(xué)研究中的基本技術(shù)之一。根據(jù)取樣方法和重構(gòu)方法不同，三維重建方法大致可分為4類，分別是基于規(guī)則的方法、基于圖像的方法、基于三維掃描儀的方法以及基于數(shù)字化儀的方法。目前，在單株作物三維重建、田間群體作物三維重建以及作物根系三維重建等方面都取得了一定成就，涉及的農(nóng)作物廣泛，包括玉米、小麥、大豆、水稻、棉花、番茄、葡萄、草莓等。但是，重建對(duì)象的特征差異、數(shù)據(jù)提取困難、三維掃描儀價(jià)格昂貴等因素制約了農(nóng)作物三維重建技術(shù)的發(fā)展。

從海量的表型數(shù)據(jù)中提取出關(guān)鍵的性狀信息后，關(guān)鍵的環(huán)節(jié)是將性狀數(shù)據(jù)轉(zhuǎn)換為有具體意義的生物學(xué)知識(shí)，并用于指導(dǎo)農(nóng)業(yè)生產(chǎn)。這一過(guò)程的實(shí)現(xiàn)一方面需要高通量、高分辨率表型采集平臺(tái)的發(fā)展，獲取充足、全面、高質(zhì)量的表型數(shù)據(jù)；另一方面，需要提高表型數(shù)據(jù)的分析效率，萃取可靠的性狀特征。此外，從表型數(shù)據(jù)到有意義的生物學(xué)知識(shí)，離不開生物學(xué)領(lǐng)域以及其他組學(xué)團(tuán)隊(duì)的共同努力。

1.3 國(guó)內(nèi)外植物表型研究平臺(tái)建設(shè)

高通量表型平臺(tái)是集成傳送系統(tǒng)、高通量成像系統(tǒng)、數(shù)據(jù)分析存儲(chǔ)系統(tǒng)以及控制系統(tǒng)為一體的全自動(dòng)、無(wú)損傷的獲取植物整個(gè)生長(zhǎng)周期表型信息的研究平臺(tái)，根據(jù)應(yīng)用場(chǎng)景的不同主要分為溫室型和田間型2 種。國(guó)外對(duì)植物表型的研究開始較早，已有許多大型平臺(tái)投入使用。德國(guó)Lemna Tec 公司在植物表型研究中處于世界領(lǐng)先水平，開發(fā)了一系列從低通量到高通量、從實(shí)驗(yàn)室到田間、從細(xì)菌到高等植物的表型檢測(cè)和分析平臺(tái)。比利時(shí)CorpDesign公司的TraitmillTM 是集生物信息學(xué)分析，高通量基因工程、基因轉(zhuǎn)換和作物高分辨率表型分析于一體的高通量平臺(tái)[52]，通過(guò)機(jī)器人采集和分析數(shù)據(jù)，每天可采集的圖像達(dá)50 000 張。捷克PSI 公司的PlantScreenTM 系統(tǒng)是比較著名的室內(nèi)植物表型研究平臺(tái)，主要用于擬南芥和豌豆等植物的葉片葉綠素?zé)晒獬上窈蜏y(cè)量。

國(guó)內(nèi)華中農(nóng)業(yè)大學(xué)和華中科技大學(xué)研發(fā)的全生育期高通量水稻表型測(cè)量平臺(tái)HRPF[53]可以有效提取株高、葉面積等15 個(gè)參數(shù)。該平臺(tái)可容納5 472 盆水稻，測(cè)量通量可達(dá)1 920 盆/d。中國(guó)科學(xué)院遺傳與發(fā)育生物學(xué)研究所研發(fā)的PPAP 平臺(tái)[54]集成可見(jiàn)光成像、紅外成像、根系近紅外成像、葉綠素?zé)晒獬上?、高光譜成像及激光雷達(dá)成像等多種成像設(shè)備，建立了穗部性狀采集分析、根系表型采集分析及抗逆性狀采集分析等技術(shù)體系?；弁芯吭篬3]圍繞植物表型組學(xué)研究，研發(fā)了側(cè)吊式扁根盒自動(dòng)化閉環(huán)成像環(huán)線裝置、推拉式扁根盒自動(dòng)化成像單機(jī)、基于高低雙筒圓根盒的根系自動(dòng)化成像工作站等一系列相關(guān)表型裝置?；壑Z瑞德公司的TraitDiscover 平臺(tái)可以搭載葉綠素?zé)晒獬上駜x、光合表型測(cè)量?jī)x、三維激光掃描儀等多種表型傳感器，根據(jù)系統(tǒng)的大小，一套系統(tǒng)一天可以測(cè)量幾百株、數(shù)千株，甚至上萬(wàn)株植物。國(guó)內(nèi)植物表型相關(guān)研究技術(shù)相對(duì)落后于國(guó)外發(fā)達(dá)國(guó)家，自主研發(fā)較少，多依賴于國(guó)外技術(shù)的引進(jìn)。

2 植物表型組學(xué)研究在智慧農(nóng)業(yè)生產(chǎn)中的應(yīng)用

準(zhǔn)確采集和分析作物的重要表型性狀是精準(zhǔn)育種和作物生產(chǎn)過(guò)程精準(zhǔn)管理的關(guān)鍵。育種學(xué)家需要精確測(cè)量大量的表型數(shù)據(jù)來(lái)篩選優(yōu)良性狀，選育高產(chǎn)高抗的作物品種。在農(nóng)業(yè)生產(chǎn)實(shí)踐中，有效識(shí)別和監(jiān)測(cè)作物不同物侯期的特定形態(tài)結(jié)構(gòu)，進(jìn)而可實(shí)現(xiàn)作物全生長(zhǎng)周期長(zhǎng)勢(shì)監(jiān)控與水肥智能化調(diào)控，提高智慧農(nóng)業(yè)生產(chǎn)管控與智能化管理水平。

2.1 植物識(shí)別與雜草控制

植物識(shí)別和雜草控制在農(nóng)業(yè)生產(chǎn)中有重要意義，傳統(tǒng)的植物識(shí)別與分類多依賴于專家的經(jīng)驗(yàn)，通過(guò)觀察植物根、莖、葉、花、果實(shí)的特點(diǎn)來(lái)識(shí)別植物，不僅費(fèi)時(shí)費(fèi)力，而且個(gè)人主觀的判斷易出現(xiàn)誤差。隨著智慧農(nóng)業(yè)的發(fā)展，計(jì)算機(jī)視覺(jué)、機(jī)器學(xué)習(xí)和深度學(xué)習(xí)等技術(shù)開始用于植物識(shí)別和分類的任務(wù)中。雷建椿等[55]提出Ada Boost.M2-NFS 植物識(shí)別算法，將改進(jìn)的傳統(tǒng)神經(jīng)模糊系統(tǒng)（NFS）與Ada Boost.M2 結(jié)合，新模型的識(shí)別率相較于單個(gè)NFS 增加了3.33 個(gè)百分點(diǎn)。GRINBLAT 等[44]利用卷積神經(jīng)網(wǎng)絡(luò)（CNN）識(shí)別白豆、黃豆和大豆3種豆科植物，識(shí)別準(zhǔn)確率隨著CNN 網(wǎng)絡(luò)深度的增加而上升，網(wǎng)絡(luò)達(dá)到5 層時(shí)，準(zhǔn)確率高于所有基于傳統(tǒng)特征分類的算法。僅依靠某一組織或器官識(shí)別植物有一定的困難，一般通過(guò)綜合多個(gè)組織或器官的性狀特征來(lái)提高識(shí)別的準(zhǔn)確率。目前，植物識(shí)別的重點(diǎn)一是提高對(duì)作物本身或作物特定性狀的識(shí)別效率，二是提高算法的泛化能力。

雜草控制是作物生長(zhǎng)管理中的重要部分，對(duì)智慧農(nóng)業(yè)發(fā)展有重大意義。傳統(tǒng)的雜草控制主要通過(guò)人工除草和化學(xué)除草，人工除草效率低下，大范圍噴灑除草劑不僅會(huì)破壞環(huán)境而且影響作物品質(zhì)，甚至存在食品安全隱患。在計(jì)算機(jī)技術(shù)快速發(fā)展的今天，基于計(jì)算機(jī)技術(shù)的自動(dòng)化除草是未來(lái)雜草控制的新方向。自動(dòng)化除草的關(guān)鍵在于準(zhǔn)確識(shí)別雜草和作物，然后定點(diǎn)噴灑除草劑[56]，這樣可以減少除草劑的使用。深度學(xué)習(xí)有獨(dú)特的特征提取方式，在雜草控制中有許多的應(yīng)用，例如基于改進(jìn)DenseNet 的田間雜草識(shí)別系統(tǒng)[57]，識(shí)別準(zhǔn)確率達(dá)到98.63%；基于優(yōu)化Faster R-CNN 的棉花苗期雜草識(shí)別與定位系統(tǒng)[58]，識(shí)別雜草的準(zhǔn)確率達(dá)到94.21%。雖然深度學(xué)習(xí)算法在雜草識(shí)別中表現(xiàn)出較好的性能，但是訓(xùn)練深度學(xué)習(xí)網(wǎng)絡(luò)需要大樣本數(shù)據(jù)集，且對(duì)計(jì)算機(jī)計(jì)算能力要求較高，在某些情況下并不適用。為此，任全會(huì)等[59]使用圖像處理技術(shù)識(shí)別田間雜草，利用Canny算子進(jìn)行圖像邊緣檢測(cè)，計(jì)算出重要的特征參數(shù)，通過(guò)遺傳算法的特點(diǎn)構(gòu)建雜草識(shí)別模型，雜草識(shí)別的錯(cuò)誤率可達(dá)到3.2%以下。苗中華等[60]提出了一種基于圖像處理的多算法融合的田間雜草自動(dòng)化檢測(cè)算法，以大豆田間除草為例，測(cè)試該算法的性能。結(jié)果表明，融合多種圖像處理算法的方法在雜草識(shí)別中準(zhǔn)確率達(dá)到98.21%，相較于使用單一圖像處理方法的算法準(zhǔn)確率提高了5.71%，并且在有陰影和雨滴的條件下測(cè)試算法，識(shí)別的準(zhǔn)確率達(dá)到90%以上。該方法有較強(qiáng)的魯棒性和較高的準(zhǔn)確率，為智能除草提供了技術(shù)支持。

2.2 與脅迫抗性相關(guān)的植物表型研究

植物在生長(zhǎng)過(guò)程中受多種環(huán)境因素的影響，主要分為生物脅迫和非生物脅迫兩大類。其中干旱和病蟲害是影響世界糧食產(chǎn)量的兩大因素[61]。植物抗性分為避性、御性和耐性3 種形式[62?63]，根據(jù)植物與不同逆境的交互情況又可分為抗旱、抗熱、抗凍、抗?jié)?、抗污染、抗病等[63?64]。在作物受脅迫且未形成不可恢復(fù)的損傷之前，精準(zhǔn)識(shí)別受脅迫部位，定性脅迫種類，判定脅迫程度，為有效開展植保工作贏得寶貴時(shí)機(jī)是智慧農(nóng)業(yè)植保工作的目標(biāo)。此外，分析不同植物受脅迫時(shí)的應(yīng)激反應(yīng)有助于選育高抗性的作物品種。

干旱嚴(yán)重影響作物生長(zhǎng)[65]。研究者們對(duì)干旱脅迫進(jìn)行了大量研究，以期減少其對(duì)作物的影響。獲得性耐旱性狀（ADT）是研究作物對(duì)干旱脅迫響應(yīng)的重要性狀參數(shù)，VIJAYARAHAVAREDDY 等[66]評(píng)估了IR64 和Apo 2 種水稻以及耐旱小麥Weebill 的ADT，開發(fā)了具有自動(dòng)灌溉系統(tǒng)的新型表型檢測(cè)平臺(tái)，該平臺(tái)可用來(lái)獲取植株在生長(zhǎng)階段的ADT，提供了評(píng)估ADT 特性的最優(yōu)方法。張慧春等[67]以簸箕柳為對(duì)象，構(gòu)建了一套面向植物耐旱性研究的多源表型信息采集系統(tǒng)，利用YOLOv3 目標(biāo)檢測(cè)算法和圖像處理算法提取了植物投影葉面積、葉片數(shù)量、冠層溫度、株高等表型參數(shù)。結(jié)果表明，干旱脅迫下簸箕柳的投影葉面積、株高、水分利用率、日耗水量都隨著時(shí)間的推移明顯低于正常施水情況。該研究為實(shí)時(shí)、連續(xù)評(píng)估植物在干旱脅迫下的長(zhǎng)勢(shì)參數(shù)提供了可行性技術(shù)，可促進(jìn)抗旱基因的快速篩選，指導(dǎo)抗性育種中水分的使用。盡管干旱脅迫相關(guān)研究已取得了一些成就，但是目前的研究大部分都集中在植物表型和生理生化方面[68]，對(duì)抗旱基因、分子、蛋白質(zhì)的研究較少，且多數(shù)針對(duì)單一基因或單一轉(zhuǎn)錄因子。在基因組、轉(zhuǎn)錄組、蛋白質(zhì)組、代謝組等組學(xué)快速發(fā)展的今天，植物耐旱性研究需與多種組學(xué)相互融合，促進(jìn)抗旱基因的篩選。

病蟲害脅迫也是影響農(nóng)業(yè)生產(chǎn)的重要因素，在病蟲害發(fā)生早期進(jìn)行控制是減少病蟲害對(duì)植物破壞的重要手段。如今僅靠人工在田間監(jiān)測(cè)病蟲害已經(jīng)不能滿足農(nóng)業(yè)生產(chǎn)精準(zhǔn)高效的需求[69]。隨著數(shù)據(jù)分析技術(shù)和圖像采集技術(shù)的發(fā)展，有關(guān)病蟲害脅迫的研究越來(lái)越多，如煙草花葉病害嚴(yán)重程度判別分析[70]，白菜和菠菜葉潛蠅檢測(cè)[71]，對(duì)小麥[72]、水稻[73]和玉米[74]病蟲害監(jiān)測(cè)等。當(dāng)前病害檢測(cè)主要面臨以下幾個(gè)難點(diǎn)[56]：一是圖像背景復(fù)雜，除了染病區(qū)域外，圖像可能包含莖稈、土壤等，還可能受光照、角度差異等因素影響；二是染病區(qū)域和健康區(qū)域可能沒(méi)有明顯的邊界；三是同一種病害在不同發(fā)展時(shí)期有不同的特征表現(xiàn)，甚至不同位置的病害也會(huì)有不同的特征；四是不同種類的病害特征表現(xiàn)可能相同或差異微小，同一位置可能存在多種病害。這些問(wèn)題給病害檢測(cè)帶來(lái)了巨大挑戰(zhàn)。自2015年以來(lái)，深度學(xué)習(xí)技術(shù)被廣泛應(yīng)用于植物病理學(xué)研究中，與其他方法相比，深度學(xué)習(xí)有較高的準(zhǔn)確率。LI 等[75]提出了一種基于深度學(xué)習(xí)的自定義主干網(wǎng)植物病蟲害視頻檢測(cè)體系結(jié)構(gòu)，將視頻轉(zhuǎn)換為靜止幀發(fā)送到用Faster-RCNN 作為框架的靜態(tài)圖像檢測(cè)器進(jìn)行檢測(cè)，檢測(cè)過(guò)的幀重新合成視頻，該方法能夠?qū)崿F(xiàn)對(duì)水稻視頻的檢測(cè)。SLADOJEVIC 等[76]研發(fā)了一種基于深度卷積神經(jīng)網(wǎng)絡(luò)的植物病害識(shí)別模型，該模型能夠識(shí)別出13種不同的病害，并且能夠很好地區(qū)分葉片和周圍環(huán)境。由于深度學(xué)習(xí)在圖像處理中有顯著的優(yōu)勢(shì)，因此，深度學(xué)習(xí)能夠在一定程度上解決植物病蟲害檢測(cè)所面臨的困難。基于深度學(xué)習(xí)的病蟲害檢測(cè)技術(shù)不僅能夠檢測(cè)病蟲害類型，還能對(duì)感染程度做出判斷。但是，目前植物病蟲害相關(guān)的公開數(shù)據(jù)集較少，不能滿足研究需求，在未來(lái)需要注重相關(guān)數(shù)據(jù)庫(kù)的建設(shè)。

2.3 與產(chǎn)量相關(guān)的性狀和產(chǎn)量預(yù)測(cè)

作物產(chǎn)量與收獲植物器官如禾谷類作物種子的生物量有顯著的相關(guān)性，單位面積穗數(shù)、每穗粒數(shù)以及籽粒質(zhì)量是評(píng)估產(chǎn)量的重要指標(biāo)[77]。然而在現(xiàn)實(shí)中很難測(cè)量、獲取這些指標(biāo)，因此，常通過(guò)研究與產(chǎn)量相關(guān)的表型性狀來(lái)預(yù)測(cè)產(chǎn)量。與產(chǎn)量相關(guān)的表型性狀主要有地下和地上兩部分：地下部分包括植物根部的根系尺寸、根系三維形態(tài)以及結(jié)構(gòu)特征等[78]；地上部分包括一些重要器官的形態(tài)參數(shù)，如葉長(zhǎng)、葉寬、冠層面積以及植株高度等，還有一系列重要農(nóng)藝性狀，如分蘗數(shù)、單位面積穗數(shù)等[79，63]。隨著圖像識(shí)別技術(shù)的發(fā)展，圖像識(shí)別成為自動(dòng)化產(chǎn)量預(yù)測(cè)的關(guān)鍵技術(shù)。HU 等[29]提出一種基于X-ray CT 的稻穗3D 圖像自動(dòng)分析方法來(lái)提取谷粒3D 性狀，包括粒數(shù)、粒長(zhǎng)、粒寬、粒厚和谷粒體積等23 個(gè)性狀，為作物產(chǎn)量預(yù)測(cè)提供了基礎(chǔ)。除了植物根部性狀、葉片性狀以及農(nóng)藝性狀外，與光合作用有關(guān)的性狀以及植物生長(zhǎng)曲線也可以用于產(chǎn)量預(yù)測(cè)。生長(zhǎng)率通常是通過(guò)計(jì)算地上部分生物量得到的，而傳統(tǒng)的地上部分生物量測(cè)量方法對(duì)作物有一定的破壞。針對(duì)傳統(tǒng)生長(zhǎng)率測(cè)量存在的問(wèn)題，DEERY等[26]提出一種基于激光雷達(dá)的小麥地上部分生物量和生長(zhǎng)率可重復(fù)性檢測(cè)方法，利用地面激光LiDAR技術(shù)對(duì)拔節(jié)期到開花期的98 個(gè)不同基因型小麥的冠層表型信息進(jìn)行獲取，用以評(píng)估地上生物量和生長(zhǎng)率。

部分作物產(chǎn)量預(yù)測(cè)方法建立在對(duì)果實(shí)目標(biāo)有效識(shí)別的基礎(chǔ)上，例如研究人員通過(guò)設(shè)計(jì)水果獨(dú)特的特征屬性如顏色、紋理、形狀等，從背景樹葉中鑒別出水果，然后采用基于區(qū)域和計(jì)數(shù)的方法估計(jì)水果產(chǎn)量[61]。對(duì)作物果實(shí)目標(biāo)的識(shí)別往往受不同生長(zhǎng)時(shí)期果實(shí)的顏色、形狀、紋理、位置和大小等動(dòng)態(tài)變化的影響，特定的算法通常只適用于特定生長(zhǎng)期的果實(shí)識(shí)別。深度學(xué)習(xí)是解決產(chǎn)量預(yù)測(cè)中果實(shí)目標(biāo)分割困難的關(guān)鍵技術(shù)。李志軍等[80]以蘋果樹為研究對(duì)象，提出了一種包括改進(jìn)YOLOv5 果實(shí)檢測(cè)算法和產(chǎn)量擬合網(wǎng)絡(luò)的產(chǎn)量預(yù)測(cè)方法，結(jié)果表明，該方法能夠準(zhǔn)確檢測(cè)果實(shí)，并能很好地預(yù)測(cè)果樹產(chǎn)量，基本滿足自然環(huán)境下樹上蘋果的測(cè)產(chǎn)要求，為智慧化果園管理提供了技術(shù)支持。除在水果產(chǎn)量預(yù)測(cè)中的應(yīng)用外，深度學(xué)習(xí)技術(shù)還可用于水稻、小麥等糧食作物的產(chǎn)量預(yù)測(cè)，ALKHUDAYDI 等[81]提出了基于深度學(xué)習(xí)識(shí)別田間條件下英國(guó)面包小麥穗?yún)^(qū)域的表型分析方法，利用分布式表型分析工作站CropQuant 收集的小麥圖像，開發(fā)了一種基于深度學(xué)習(xí)的分析管道，用于復(fù)雜背景和穗?yún)^(qū)分割。采用全卷積神經(jīng)網(wǎng)絡(luò)（FCN）對(duì)圖像進(jìn)行語(yǔ)義分割，從而分割小麥穗?yún)^(qū)域，為提取單位面積穗數(shù)和每穗小穗數(shù)等與產(chǎn)量相關(guān)的性狀奠定了基礎(chǔ)。

3 研究展望

近年來(lái)，國(guó)內(nèi)外的植物表型組學(xué)研究均取得了大量成就，在表型采集設(shè)備以及表型數(shù)據(jù)分析方面都取得重大進(jìn)展，構(gòu)建了大量高通量、高精度的表型研究平臺(tái)。植物表型組學(xué)是數(shù)字農(nóng)業(yè)轉(zhuǎn)向智慧農(nóng)業(yè)的關(guān)鍵技術(shù)之一，其已逐漸滲透到農(nóng)業(yè)生產(chǎn)中，為智慧育種和智慧種植提供了技術(shù)支持，但是目前植物表型組學(xué)研究仍存在一些不足，在未來(lái)的研究和應(yīng)用中需要進(jìn)一步完善。

（1）在表型數(shù)據(jù)采集方面，首先，集成多種傳感器的表型采集平臺(tái)是未來(lái)研究的重點(diǎn)[13]。單獨(dú)使用某種傳感器存在測(cè)量樣本批量小、數(shù)據(jù)處理速度慢、表型參數(shù)單一等問(wèn)題。多個(gè)分辨率高、抗干擾性強(qiáng)的傳感器融合，可實(shí)現(xiàn)同時(shí)測(cè)量多個(gè)表型參數(shù)，獲取更全面的表型數(shù)據(jù)。其次，當(dāng)前很多表型研究缺少對(duì)植物生長(zhǎng)環(huán)境的監(jiān)測(cè)[13]，生長(zhǎng)環(huán)境對(duì)植物的影響不可忽略，同一作物的相同基因在不同環(huán)境下的表型可能不同。應(yīng)在表型采集平臺(tái)中加入相應(yīng)的環(huán)境信息采集設(shè)備，在記錄表型信息的同時(shí)記錄環(huán)境信息。此外，要促進(jìn)低成本、高通量、高精度的植物表型數(shù)據(jù)獲取設(shè)備的發(fā)展，提高植物表型數(shù)據(jù)獲取的效率。

（2）在表型數(shù)據(jù)解析方面，隨著高通量表型數(shù)據(jù)采集技術(shù)的發(fā)展，植物表型數(shù)據(jù)呈現(xiàn)出多樣、海量的特點(diǎn)，這給表型數(shù)據(jù)解析帶來(lái)了巨大的挑戰(zhàn)，人工智能和計(jì)算能力是表型技術(shù)普及應(yīng)用的突破點(diǎn)。深度學(xué)習(xí)在海量數(shù)據(jù)處理和圖像處理中有顯著的優(yōu)勢(shì)，以深度學(xué)習(xí)為框架的算法逐漸成為植物表型數(shù)據(jù)分析的關(guān)鍵技術(shù)。三維重建技術(shù)是表型研究的一個(gè)熱點(diǎn)，它提供了一種無(wú)損觀測(cè)不同環(huán)境和不同時(shí)期植物表型的方法。在未來(lái)的發(fā)展中，應(yīng)將深度學(xué)習(xí)、機(jī)器學(xué)習(xí)、三維重建等技術(shù)相互融合，以解決現(xiàn)存的技術(shù)瓶頸，提高表型數(shù)據(jù)分析的效率。

多學(xué)科融合是植物表型組學(xué)未來(lái)的發(fā)展方向，隨著表型數(shù)據(jù)采集技術(shù)和分析技術(shù)不斷進(jìn)步，有越來(lái)越多高精度、高通量的表型研究平臺(tái)用于智慧農(nóng)業(yè)建設(shè)中，為智能、高效的作物管理和育種提供技術(shù)支持。植物表型組學(xué)的進(jìn)一步發(fā)展將推動(dòng)我國(guó)智慧農(nóng)業(yè)的發(fā)展進(jìn)程。