Mini专题｜植物表型信息

Mini专题5：植物表型信息

1

徐凌翔, 陈佳玮, 丁国辉, 卢伟, 丁艳锋, 朱艳, 周济. 室内植物表型平台及性状鉴定研究进展和展望[J]. 智慧农业(中英文), 2020, 2(1): 23-42.XU Lingxiang, CHEN Jiawei, DING Guohui, LU Wei, DING Yanfeng, ZHU Yan, ZHOU Ji. Indoor phenotyping platforms and associated trait measurement: Progress and prospects[J]. Smart Agriculture, 2020, 2(1): 23-42. (in Chinese with English abstract)摘要：植物表型组学研究正逐渐向综合化、规模化、多尺度和高通量的方向快速发展。本文首先介绍了植物表型研究的最新动向。然后针对室内表型监测平台的特点和各类室内表型针对的表型性状进行了系统介绍，包括产量、品质、胁迫抗性（包括干旱、抗冷热、盐胁迫、重金属和病虫害）等。在此基础上，本文还根据通量、传感器集成度和平台大小等把一些国内外流行的室内植物表型平台进行了分类，并介绍了这些室内表型平台在植物研究中的应用情况。同时，本文还介绍了室内表型数据的管理和解析方法。最后，本文着重讨论了室内表型平台的发展方向，并结合中国植物研究的实际情况对表型组学在中国的发展提出了展望，以期为中国植物表型研究提供指导和建议。 关键词：植物表型组学 ; 室内表型监测 ; 产量性状 ; 品质性状 ; 抗性表型 ; 表型数据管理和解析分类

点击获取中国知网全文

2

刘守阳, 金时超, 郭庆华, 朱艳, BARET Fred. 基于数字化植物表型平台(D3P)的田间小麦冠层光截获算法开发[J]. 智慧农业(中英文), 2020, 2(1): 87-98.

LIU Shouyang, JIN Shichao, GUO Qinghua, ZHU Yan, BARET Fred. An algorithm for estimating field wheat canopy light interception based on Digital Plant Phenotyping Platform[J]. Smart Agriculture, 2020, 2(1): 87-98. (in Chinese with English abstract)

摘要：冠层光截获能力是反映作物品种间差异的重要功能性状，高通量表型冠层光截获对提高作物改良效率具有重要意义。本研究以小麦为研究目标，利用数字化植物表型平台（D3P）模拟生成了100种冠层结构不同的小麦品种在5个生育期的三维冠层场景，记录了从原始冠层结构中提取的绿色叶面积指数（GAI）、平均倾角（AIA）和散射光截获率（FIPARdif）信息作为真实值,进一步利用上述三维小麦场景开展了虚拟的激光雷达（LiDAR）模拟实验，生成了对应的三维点云数据。基于模拟的点云数据提取了其高度分位数特征（H）和绿色分数特征（GF）。最后，利用人工神经网络（ANN）算法分别构建了从不同LiDAR点云特征（H、GF和H+GF）输入到FIPARdif、GAI和AIA的反演模型。结果表明，对于GAI、AIA和FIPARdif，预测精度从高到低对应的点云特征输入为GF+H > H > GF。由此可见，H特征对提高目标表型特性的估算精度起到了重要作用。输入GF + H特征，在中等测量噪音（10%）情况下，FIPARdif和GAI的估算均获得了满意精度，R2分别为0.95和0.98，而AIA的估算精度（R2=0.20）还有待进一步提升。本研究基于D3P模拟数据开展，算法的实际表现还有待通过田间数据进一步验证。尽管如此，本研究验证了D3P协助表型算法开发的能力，展示了高通量LiDAR数据在估算田间冠层光截获和冠层结构方面的较高潜力。

关键词：冠层光截获, 高通量表型, LiDAR, 数字化植物表型平台（D3P）, 小麦冠层

点击获取中国知网全文

3

周成全, 叶宏宝, 俞国红, 胡俊, 徐志福. 基于机器视觉与深度学习的西兰花表型快速提取方法研究[J]. 智慧农业(中英文), 2020, 2(1): 121-132. 

ZHOU Chengquan, YE Hongbao, YU Guohong, HU Jun, XU Zhifu. A fast extraction method of broccoli phenotype based on machine vision and deep learning[J]. Smart Agriculture, 2020, 2(1): 121-132. (in Chinese with English abstract)

摘要：准确获取西兰花花球面积和新鲜度是确定其长势的关键步骤，本研究通过对深度残差网络ResNet进行改进得到一种新型的西兰花花球分割模型，并通过花球部位黄绿颜色占比判断其新鲜度，实现低成本高效准确地西兰花表型信息提取。主要技术流程包括：（1）基于地面自动影像获取平台拍摄西兰花花球正射影像并建立原始数据集；（2）对训练图像进行预处理并输入模型进行分割；（3）基于颜色信息用粒子群结构PSO和大津法Otsu对分割结果进一步进行阈值分割，获取其新鲜度指标。试验结果表明：本研究建立的分割模型精度优于传统深度学习模型和基于颜色空间变换和阈值分割模型，4个评价指标结构相似性指数(SSIM)、平均精度(Precision)、平均召回率(Recall)、F-度量(F-measure)结果分别为0.911、0.897、0.908和0.907，相比于传统方法提升了10%-15%，且对土壤反射率波动、冠层阴影、辐射强度变化等干扰具有一定的鲁棒性。同时，在分割结果的基础上采用PSO-Otsu法可以实现花球新鲜度快速分析，其精度超过了0.8。本研究结果实现了西兰花田间多表型参数的高通量获取，可以为作物田间长势监测研究提供重要参考。

关键词：深度学习, 西兰花表型, 机器视觉, 自动分级, 田间平台

点击获取中国知网全文

温馨提示：如果您不在中国知网服务范围内，可进入期刊官方网站：

免费下载。

推荐阅读

微信交流服务群

为方便农业科学领域读者、作者和审稿专家学术交流，促进智慧农业发展，为更好的服务广大读者、作者和审稿人，编辑部建立了微信交流服务群，有关专业领域内的问题讨论、投稿相关的问题均可在群里咨询。入群方法：加小编微信331760296，备注：姓名、单位、研究方向，小编拉您进群，机构营销广告人员勿扰。

信息发布

科研团队介绍及招聘信息、学术会议及相关活动的宣传推广

《智慧农业（中英文）》

       《智慧农业（中英文）》（季刊）是由中华人民共和国农业农村部主管，中国农业科学院农业信息研究所主办，《智慧农业（中英文）》编辑委员会学术指导，《智慧农业（中英文）》编辑部编辑出版的国内外公开发行的农业科学类学术期刊。期刊聚焦农业信息技术发展前沿与热点，刊载和传播国内外最新研究成果，通过搭建高水平学术交流平台，引领学术研究方向，服务行业科学决策，培养高水平创新人才，促进学科发展。

关注“智慧农业编辑部”微信公众号获取更多内容