基于無人機的數字化表型分析助力評估干豆成熟度、植株數量和植株高度
干豆作為一種重要的糧食作物，在全球營養、可持續農業、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、具有理想農藝和品質特征、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）、植株數量（SC）和植株高度（PH）進行數字化表型分析。研究通過結合卷積神經網絡（CNN）和長短期記憶網絡（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、圖像分辨率和數據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，結合卷積神經網絡（CNN）和長短期記憶網絡（LSTM）模型來估算干豆的相對成熟度（圖1)。這種方法能夠學習圖像的深層特征，并捕捉時間序列數據的序列行為，從而預測每個地塊的成熟度。此外，還探討了飛行頻率、圖像分辨率和數據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境壓力下的表現，他們還嘗試將生長度日（GDD）數據納入模型中。對于早期植株數量的評估，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）、植株數量（SC）和植株高度（PH）的數據收集工作。研究使用DJI Phantom 4 Pro v2無人機在植物生長的不同階段執行飛行任務，以收集用于SC分析和RM評估的圖像數據。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字表面模型（DSM），隨后利用QGIS軟件和R軟件創建了地塊邊界的矢量圖形。這些數據被用來裁剪出每個地塊的圖像，并與相應的地面真實數據結合，用于模型的訓練和驗證過程(圖2)。
最后，研究對所開發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，并與傳統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的準確性方面優于傳統方法。此外，研究還發現，將GDD數據納入模型可以提高特定環境壓力下的性能。對于SC的估算，Faster 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，其準確性優于傳統方法。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 | 華中農業大學開發了基于無人機平臺的大田作物表型數據提取和分析平臺
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，群內不定期開展作者分享會、�？l布會等高質量活動。
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）是由南京農業大學創辦的英文學術期刊，于2019年1月正式上線發行。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性研究論文、綜述、數據集和觀點。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、植物育種和農業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等數據庫收錄�？祁Ｎò睯CR2023影響因子為7.6，位于農藝學一區（1/125名），植物科學一區（13/265名），遙感一區（6/62名）。2023年中科院期刊分區位于農林科學大類一區。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。
中文內容僅供參考，一切內容以英文原版為準。
撰稿：章揚（南京農業大學）
編輯排版：王平、許怡瑤（上海交通大學）
審核：尹歡、孔敏
