田间作物高通量表型信息获取与分析技术研究进展

田间作物表型信息获取种类、数量以及信息处理与分析方法对于发现有价值的表型特性并确定其遗传因素有着重要影响,而传统的田间表型信息获取方法依赖于研究人员的人工采样测量,不但费时费力,还存在效率低和主观性强等缺点。为解决这一问题,田间作物高通量表型信息获取及分析技术成为了当前植物表型领域的一个研究热点。目前,表型研究主要集中在3个方面：传感器、平台和信息分析。本文从这3个方面阐述国内外田间作物高通量表型信息获取及分析技术的最新研究成果,分析表型信息获取技术中常用传感器的应用范围和使用限制条件以及不同表型信息获取平台的优缺点,总结表型信息分析的方法,提出使用时需要根据具体情况,综合考虑实际需求以及经济合理性选择和设计。最后展望田间作物表型研究未来的发展方向,将集中在多类型数据融合、数据标准化管理、多学科知识整合等方面。该项研究成果对推广田间表型信息获取技术和分析方法、促进表型研究和遗传育种研究的深入融合提供了理论参考和技术支撑。     

作物三维重构技术研究现状及前景展望

近年来,随着无人机和各类传感器在作物育种和田间生产中被广泛使用,作物表型组学得到了极大的发展。兼具了高精度、高通量和高度自动化的作物表型组学及其相关技术的发展,加快了新品种的选育和优化了田间管理。作物三维重构技术是作物表型组学最基本的技术方法之一,是精准描述作物形态全息结构的重要工具,而作物的三维重构模型对于高通量作物表型获取、作物株型特征评价、植株结构和表型相关性分析等均具有重要意义。为深入总结作物表型中三维重构技术研究进展,本文从作物三维重构的基本方法与应用特点、研究现状和前景展望等三个方面展开综述。本文首先归纳整理了现有作物三维重构方法,并对各类方法的基本原理进行了综述,分析了各类方法的特点和优缺点,同时在归纳作物三维重构方法一般性流程的基础上,对各类方法的适用性进行剖析,归纳整理出了各类方法在实施时的具体流程和注意事项;其次,本文依据研究目标对象不同将作物三维重构的应用分为单株作物重构、田间群体重构和根系重构三部分,并从这三个视角对作物三维重构技术的应用情况进行了综述,依据精度、速度和成本三方面,探究了各个方法对于不同作物三维重构的研究现状,分析整理出不同重构对象背景下作物三维重构存在的问题与挑战;最后,从作物三维重构全程自动化、4D表型的构成、作物虚拟生长与模拟育种和智慧农业发展等方面对作物三维重构技术的前景进行了展望。     

农作物表型技术及其智能装备研究进展与展望

农作物产量相关表型性状参数的快速获取对作物育种以及产量相关研究至关重要,也是作物育种全程智能化的研究重点和难点.此外,作物基因组技术的快速发展让人类快速解析数量性状成为了可能,但作物表型数据的不足严重限制了这一可能.通过开发农作物表型测量技术和智能装备可加以解决.将作物产量相关表型性状参数获取技术及其智能装备用于作物的...     

作物胁迫感知和植物表型测量系统综述（英文）

提高农田管理的资源施用效率和持续培育优良作物品种是确保粮食产量和减轻作物生产对环境影响的关键途径。作物胁迫感知和植物表型测量系统是田间变量管理和高通量植物表型测量研究的核心,且两者在硬件和数据处理技术上具有相似性。几十年来,人们一直在开发可以用在田间变量管理领域的作物胁迫感知系统,旨在建立更加可持续的田间管理方案。与此同时,田间高通量表型系统开发取得的重大进展为降低传统表型测量成本提供了技术基础。本文首先对田间变量管理中涉及的作物胁迫感知系统进行了回顾,特别对目前用于精准灌溉、氮素施用和农药喷洒中的感知和决策方法进行了总结。基于作者团队在内布拉斯加大学林肯分校开发的三套田间表型测量系统,对常见田间高通量表型测量系统的传感器和数据的处理分析流程进行了介绍。此外,讨论了当前田间表型测量系统面临的挑战并提出了潜在解决方案。人工智能、机器人平台和创新仪器的持续发展有望显著提高测量系统的性能,对系统在育种中的大范围应用起到积极作用。对主要植物生理过程更直接的测量可能成为未来田间表型研究领域的研究热点之一,并为培育更耐胁迫的作物新品种提供有价值的表型数据。这篇综述可为田间变量管理和高通量植物表型测...     

基于时间序列的玉米叶片性状动态提取方法研究

玉米叶片性状对生长发育、遗传育种及功能基因解析研究具有重要意义,而传统的测量方式效率低、主观性强、测量性状少,已无法满足现代玉米研究的需求,为此提出一种基于时间序列的玉米叶片性状动态追踪技术。研究基于高通量作物表型平台,针对100份玉米品种资源,每间隔3 d获取8个玉米生长点图像;利用图像分割、叶片骨架提取等算法得到单片叶长、叶角度、叶弯曲度参数;基于叶片相对位置信息实现玉米叶片的动态追踪及标记。试验结果和人工测量值相比,叶长和叶夹角测量误差分别为0.92%和3.32%。叶片追踪可以得到叶片的动态变化过程,计算获取叶片长度的平均生长率及叶片弯曲度的变化分布。     

植物表型平台与图像分析技术研究进展与展望

近年来,植物基因组得到迅猛发展,但因缺乏足够的表型数据而限制了人类解析数量性状遗传学的能力。通过开发植物表型信息采集平台和进行图像分析可以加以解决。高通量、自动化、高分辨率的植物表型信息采集平台与分析技术对于加快植物改良和育种、提高产量和抗病虫害能力至关重要。将植物表型平台信息采集平台与分析技术用于解析基因组信息,定量研究与生长、产量和适应生物或非生物胁迫相关的复杂性状,是建立植物生长模型和采集农作物高维、丰富表型数据集的重要途径,能够满足填补基因组信息与植物表型可塑性之间空白的需要。阐述了基于光学成像的植物表型信息采集平台与图像分析技术的研究进展,从室内、田间不同的使用环境出发,根据不同搭载方式,总结分析了各表型平台的功能和特点。最后,分析了目前植物表型信息采集平台与分析技术存在的瓶颈问题,提出了以下建议与展望:开发植物表型信息采集平台的多传感器集成系统;将植物生长环境监测模块融入植物表型信息采集平台中;开发针对林木的表型信息采集平台;对传感器获取的表型数据进行更好的集成与挖掘;采用无损原位根系信息采集技术得到植物地下部分的表型数据;构建表型数据统一开放的标准,进行学科交叉的深度合作。     

作物遥感精细识别与自动制图研究进展与展望

作物识别与制图产品数据是作物长势、风险胁迫、产量等生产参量监测预测,种植结构调整与供需决策分析,以及耕地资源安全与生态效应评估等工作的基础数据,遥感数据成为作物类型识别与制图的最主要数据源,新兴数字技术则为遥感作物识别与制图提供了新的方法手段。本文通过综述近年基于遥感的作物识别与制图相关研究成果,探究当前技术趋势、关键问题,以及需求差距。分别从小尺度作物精细识别、大尺度作物自动化制图,以及作物识别与制图模式变化3个视角总结归纳面临的主要问题和主要研究工作。作物识别与制图产品在小尺度上需要更加精细、近实时和更高的识别精度,主要使用超高空间分辨率（如米级、亚米级）的影像数据,在提高作物识别精度（95%以上）进而提取满足应用需求的高精度作物表型等信息方面依旧面临巨大挑战。而在大尺度上需要更加自动化、满足可靠识别精度（90%左右）,主要使用高时空分辨率（2~5d,10~30m）的影像数据,面临着如何处理海量数据的存储管理、分析计算,发展大范围上具有鲁棒性的分类识别方法,寻找科学高效的地面样本获取途径的难题。同时,作物识别与制图的模式也将从确认监测向提前预判和特定作物探测转变。最后从加强科学研究与加快应用落地2个角度提出展望,为发展满足智慧农业与国土监管不同需求的遥感作物识别与制图产品提供参考与借鉴。     

自走式表型平台及在线自整定PID速度控制研究

为了适应现代化育种、植保及栽培管理的需求,高通量作物表型信息获取成为了当前的研究热点。为了提高作物表型信息获取平台的可扩展性、泛用性和使用灵活性,设计了一种自走式作物表型信息获取平台。平台车体采用框架结构,利用4台直流电机实现4轮独立驱动,并采用1个主控芯片和4个分控芯片的模式构建了控制系统;基于继电反馈法设计了在线自整定PID调控方法,实现了PID参数在线自整定和平台的运行速度控制,并进行了空载和地面负载对比试验。结果表明:在系统空载和地面负载条件下,针对设定的不同速度,系统均可在0.169~0.468s达到稳定状态,具有较高的调节速度与精度;地面负载条件下,直接利用空载时整定得到的参数与负载后重新整定得到的参数进行速度的调节,不同速度要求条件下两者之间的误差均小于0.08s,证明空载时一次整定后的参数可直接应用于表型平台的实际速度控制。     

田间玉米苗期高通量动态监测方法

目前对玉米出苗动态检测监测主要是依靠人工观测,耗时耗力且只能选择小的样方估算整体出苗情况.为解决人工出苗动态管理不精准的问题,实现田间精细化管理,本研究以田间作物表型高通量采集平台获取的高时序可见光图像和无人机平台获取的可见光图像两种数据源构建了不同光照条件下的玉米出苗过程图像数据集.考虑到田间存在环境背景复杂、光照不...     

一种谷粒粒形参数的高通量智能检测方法

结合农业科技创新政策,面向谷粒农作物开展快速智能检测农艺性状的需求,提出高精度谷物籽粒形态特征参数检测的方法,并利用现代实验室中常备的数码单反相机、三脚架、直尺和计算机等仪器设备,构建谷物粒形参数高通量检测环境,能够减少设备投资,提高现有设备的利用率和使用灵活性。通过与用游标卡尺人工测量结果的比较分析发现:对于长宽结果,两者间具有极显著的相关关系,且两种方法所取得的结果差异不显著。该方法极大地提高了检测效率和稳定性,能够满足对谷粒粒形参数的检测需求,实现谷物籽粒样本高通量的粒形参数检测。     

专题导读——农业遥感与表型获取分析

        遥感技术已在农业领域较为广泛成功地应用。农业遥感在作物长势监测、灾害监测、作物产量和品质估测、对象的识别和信息提取等方面有重要的意义。与此同时，高通量表型信息获取以及图像处理、表型信息分析技术的提高，促进了表型组学的发展，推动了农业的跨越式发展。为集中报道国内外在农业遥感和表型获取分析领域取得的进展，《智慧农业（中英文）》期刊在本期出版“农业遥感与表型信息获取分析”专题。此专题共包括10篇论文，其中2篇综述性论文，8篇研究性论文，作者来自于中国、美国、英国、法国等4个国家。论文聚焦农业遥感与表型领域的机载成像系统应用、遥感监测、农学参量反演、表型检测识别、深度学习等热点话题。     

数字农业田间信息获取技术研究现状和发展趋势

对土壤水分与养分的测量方法、作物长势及其背景的监测、营养状况监测、作物冠层监测、作物病虫害诊断、杂草识别等田间信息获取技术在数字农业中的开发、应用现状以及发展概况做了简要综述,并指出将遥感技术和光谱技术结合应用是我国实现田间信息获取技术的关键.     

利用多时序激光点云数据提取棉花表型参数方法

当前,能够实现作物表型参数高效、准确的测量和作物生育期表型参数的动态量化研究是表型研究和育种中亟待解决的问题之一。本研究以棉花为研究对象,采用三维激光扫描LiDAR技术获取棉花植株的多时序点云数据,针对棉花植株主干的几何特性,利用随机抽样一致算法（RANSAC）结合直线模型完成主干提取,并对剩余的点云进行区域增长聚类,实现各叶片的分割;在此基础上,完成植株体积、株高、叶长、叶宽等性状参数的估计。针对多时序棉花激光点云数据,采用匈牙利算法完成相邻时序作物点云数据的对齐、叶片器官对应关系的建立。同时,对各植株表型参数动态变化过程进行了量化。本研究针对3株棉花的4个生长点的点云数据,分别完成了主干提取、叶片分割,以及表型参数测量和动态量化。试验结果表明,本研究所采用的主干提取及叶片分割方法能够实现棉花的枝干和叶片分割。提取的株高、叶长、叶宽等表型参数与人工测量值的决定系数均趋近于1.0;同时,本研究实现了棉花表型参数的动态量化过程,为三维表型技术的实现提供了一种有效的方法。     

无人机遥感技术在精量灌溉中应用的研究进展

以提高农业用水效率为目标的精量灌溉是未来农业灌溉的主要模式,精量灌溉的前提条件是对作物缺水的精准诊断和科学的灌溉决策。用于作物缺水诊断和灌溉决策定量指标的信息获取技术主要基于田间定点监测、地面车载移动监测及卫星遥感。无人机从根本上解决了卫星遥感由于时空分辨率低而导致的瞬时拓延、空间尺度转换、遥感参数与模型参数定量对应等技术难题,也克服了地面监测效率低、成本高、影响田间作业等问题。近几年的研究结果表明,无人机遥感系统可以高通量地获取多个地块的高时空分辨率图像,使精准分析农业气象条件、土壤条件、作物表型等参数的空间变异性及其相互关系成为可能,为大面积农田范围内快速感知作物缺水空间变异性提供了新手段,在精量灌溉技术应用中具有明显的优势和广阔的前景。无人机遥感系统已经应用在作物覆盖度、株高、倒伏面积、生物量、叶面积指数、冠层温度等农情信息的监测方面,但在作物缺水诊断和灌溉决策定量指标监测方面的研究才刚刚起步,目前主要集中在作物水分胁迫指数(CWSI)、作物系数、冠层结构相关指数、土壤含水率、叶黄素相关指数(PRI)等参数估算的研究,有些指标已经成功应用于监测多种作物的水分胁迫状况,但对于大多数作物和指标,模型的普适性还有待进一步研究。给出了无人机遥感在精准灌溉技术中应用的技术体系,并指出,为满足不同尺度的高效率监测和实现农业用水精准动态管理的需求,今后无人机遥感需要结合卫星遥感和地面监测系统,其中天空地一体化农业水信息监测网络优化布局方法与智能组网技术、多源信息时空融合与同化技术、作物缺水多指标综合诊断模型、农业灌溉大数据等将是未来重点研究内容。     

遮挡条件下多视角甜椒果实点云三维重构方法

为进行表型原位自动化测量,实现甜椒数字化育种和管理,针对原位果实表型测量中的目标遮挡问题,提出一种多视角甜椒果实点云的三维重构方法。通过虚拟叶片的方法,创建增强数据集,建立基于YOLO v5算法的甜椒果实识别模型,实现对不同遮挡程度果实的识别,同时,构建考虑果实位置与遮挡程度的果实表型采集算法,实现多视角的果实三维数据采集。最后,配准甜椒果实三维点云,提取甜椒表型参数,并通过温室甜椒果实表型,对点云重构方法的有效性进行验证。相较手动测量数据,果实果宽平均相对误差为1.72%,果高平均相对误差为1.60%。试验结果表明,本文所提出的甜椒原位表型点云重构方法,可为遮挡条件下作物表型提供有效的解决思路和可行方法。     

精细农业田间信息采集关键技术的研究进展

快速、有效地采集和描述影响作物生长的田间信息,是开展精细农业实践的重要基础.随着现代信息技术的不断发展,田间信息采集技术也在快速发展和不断更新.阐述了GPS定位技术、传感技术、多传感信息融合技术、无线通讯技术等在田间定位信息、土壤属性信息、作物生长信息、环境信息和作物产量信息获取中应用的研究现状,指出现有采集技术存在的优缺点,并提出开发集各种先进技术为一体.低成本、多通道、高精度、定位快速的动态农田信息数字化智能测量装备是今后田间信息采集技术的研究方向.     

表示学习技术研究进展及其在植物表型中应用分析

表示学习是一种将研究对象的内在信息表示为稠密低维实值向量的方法,其基本思路是找到对原始数据更好的表达。表示学习凭借其自动提取特征的能力,在处理大量人为先验理解有限的数据时表现出高效性。有监督以及无监督的表示学习模型在文本、图像、三维点云等植物表型数据的分析研究中获得了运用。随着近年来数据量的迅速增长以及基因组学研究的快速发展,植物表型研究数据具有高通量、高精度等特征,表示学习模型在海量高维植物表型数据的分析任务中获得了关注。本文简述了表示学习的相关概念和表示学习技术研究进展,对有监督和无监督的表示学习模型进行对比分析,阐述了植物表型数据概念及其处理方法,重点从植物种类识别、病虫害检测分析、产量预测、基因研究和形态结构表型数据计算等方面,探讨了表示学习在植物表型中的研究应用意义及其存在的问题。最后,指出表示学习在植物表型应用中的发展方向:开发能够适用于分析不同种植物表型数据的表示学习模型,实现高整合度、高通用性的目标;提高表示学习模型的实时性及准确度,以增强其实用性;多模态表型数据的表示学习可为学科的交叉数据分析研究提供统一的数据视图。     

基于运动恢复结构的玉米植株三维重建与性状提取

针对传统的玉米植株性状测量方法存在主观性强、劳动强度大、有损伤等问题,提出了基于运动恢复结构(Structure from motion,Sf M)的户外玉米植株三维重建方法,并提取了株高、单株最小包围盒体积、茎粗、叶面积、叶片数、叶夹角等11个性状参数。采用前期研制的小车,在户外采集不同视角下的玉米植株图像(采集间距为5～6 cm),基于Sf M算法获取玉米植株三维点云;运用直通滤波、圆柱拟合和条件欧氏聚类算法自动分割单株、茎秆和叶片等点云数据,基于距离最值遍历、三角面片化等算法实现株高、茎粗、叶面积等11个性状的准确、无损测量。结果表明,与人工测量值相比,测得的株高、茎粗和叶面积的平均绝对百分比误差分别为3. 163%、4. 760%和19. 102%,均方根误差分别为3. 557 cm、1. 540 mm、48. 163 cm2,决定系数分别为0. 970、0. 842、0. 901。研究表明,本文方法适用于作物表型户外测量,为表型研究提供了一种新的作物表型户外测量方法,同时还证明,株高和单株最小包围盒体积可以显著区分低地上部生物量玉米植株和高地上部生物量玉米植株。     

基于深度学习ImCascade R-CNN的小麦籽粒表形鉴定方法

[目的/意义]培育优质高产的小麦品种是小麦育种的主要目标,而小麦籽粒完整性直接影响小麦育种进程。完整籽粒与破损籽粒的部分特征差异较小,是限制基于深度学习识别破损小麦籽粒精准度的关键因素。[方法]为解决小麦籽粒检测精度低的问题,本研究建立ImCascade R-CNN模型,提出小麦籽粒表形鉴定方法,精准检测小麦籽粒完整性、分割籽粒并获取完整籽粒表形参数。[结果和讨论] ImCascade R-CNN模型检测小麦籽粒完整性的平均精度为90.2%,与Cascade Mask R-CNN、Deeplabv3+模型相比,能更好地识别、定位、分割小麦籽粒,为籽粒表形参数地获取提供基础。该方法测量粒长、粒宽的平均误差率分别为2.15%和3.74%,测量长宽比的标准误差为0.15,与人工测量值具有较高的一致性。[结论]研究结果可快速精准检测籽粒完整性、获取完整籽粒表形数据,加速培育优质高产小麦品种。     

基于细粒度校正的育种小区小麦株高无人机测量方法

在小麦育种田间试验中,小区群体株高是最受关注的重要农艺性状之一。针对当前无人机遥感在小麦育种小区粒度下获取株高表型精确度低的问题,提出了两种方法：基于人工测量真值的近邻校正法(Nearest neighbor correction method, NNCM)和基于多光谱+RGB数据融合的光谱指数校正法(Spectral indices correction method, SICM),近邻校正法通过获取小区群体高程信息、结合地埂进行高程校正、再依据近邻真值滑动校正得到小区精确株高;光谱指数校正法通过计算植被指数并进行指数优选,从而构建株高-植被指数精确反演模型。试验结果表明,在具有地面真值的6个时期,传统无人机作物株高测量方法的相对均方根误差(Relative root mean square error, RMSE100)分别为11.15%、59.44%、11.76%、12.31%、8.05%、59.76%;NNCM的RMSE100分别为7.17%、8.18%、5.70%、5.62%、5.65%、7.74%;SICM的RMSE100分别为7.33%、8.17%、6.05%、6.15%...